Cartas R y S Con L Imites de Control Estimados: Edgar Eli Ecer Blanco Guerrero

Cartas R y S con Lı́mites de Control
Estimados
Edgar Eliécer Blanco Guerrero
Universidad Nacional de Colombia

Facultad de Ciencias, Departamento de Estadı́stica
Sede Bogotá
Bogotá, D.C., Colombia
2012
Cartas R y S con Lı́mites de Control
Estimados
Edgar Eliécer Blanco Guerrero
Tesis presentada como requisito parcial para optar al tı́tulo de:

Magister en Ciencias: Estadı́stica
Director(a):
Ph. D. José Alberto Vargas Navas
Lı́nea de Investigación:
Investigación aplicada
Universidad Nacional de Colombia

Facultad de Ciencias, Departamento de Estadı́stica
Sede Bogotá
Bogotá, D.C., Colombia
2012
(Dedicatoria)
A mis padres
Por el apoyo incondicional
vii
Resumen
Las cartas de control R y S, usadas en el control estadı́stico de la variabilidad de un proceso,
se construyen usualmente con estimaciones obtenidas de datos históricos del proceso o de
la variable monitoreada, sin considerar que la estimación afecta el comportamiento de la
carta. En este trabajo, se establece una metodologı́a para estudiar el comportamiento de
una carta que permite comparar varios tipos de lı́mites al tiempo. Se analiza la eficiencia
de correcciones encontradas en la literatura para los lı́mites de control en las cartas R y S
construidas con base en 20 o 30 muestras de tamaño 5. Con esto se determinan correccio-
nes a los lı́mites de control que permitan construir cartas que se comporten de acuerdo a
lo esperado para las cartas de control para la dispersión. Se muestra, usando simulaciones,
que el comportamiento de las cartas construidas con lı́mites estimados es diferente del que
tienen las cartas con lı́mites obtenidos a partir de los valores reales de los parámetros de
la distribución de los datos y que se obtiene un comportamiento más similar al esperado al
construir las cartas con lı́mites fijos (que no dependen de la estimación).
Palabras clave: Carta de control, Variación, Distribución, Estimación, Monitoreo,

Lı́mites de control, Longitud de Corrida, Eficiencia, PD-Plot
Abstract
The R and the S control charts, used in the statistical control of the variability for a process,
are usually made up from estimations taken from historical data from the process or from
the observed variable, without taking in count the effect of the estimation in the chart beha-
vior. A methodology to study a control chart behavior is established, so that, several control
limits could be compared simultaneously. The efficiency of some corrections to control limits
for the R and the S control charts, constructed with 20 or 30 samples of size 5 , found in
the literature is analyzed as they are being compared. Corrections to the control limits are
determined, so that, charts behave similar to what is expected for control charts for disper-
sion. It’s shown by simulation means that the behavior of the charts with estimated limits
is different from that of charts with limits calculated from the real distribution parameters
and that the behavior of control charts with fixed limits (not based in stimations) is closer
to what is expected.
Keywords: Control chart, Variation, Distribution, Estimation, Monitoring, Control

limits, Run Length, Efficiency, PD-Plot.
Contenido
Resumen VII
Lista de sı́mbolos X
1. Introducción 1
2. El control estadı́stico de calidad 5

2.1. Calidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Las cartas de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1. Cartas de control para la variabilidad . . . . . . . . . . . . . . . . . . 8
3. Correcciones a los Lı́mites de Control 11

3.1. Medidas de Eficiencia para Cartas de Control . . . . . . . . . . . . . . . . . 11
3.2. Correcciones a las Cartas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3. Metodologı́a para Evaluar la Eficiencia de las Cartas de Control . . . . . . . 23
4. Análisis de la eficiencia de las correcciones en cartas de control R yS 27

4.1. El desempeño bajo control de las cartas R y S tradicionales . . . . . . . . . 27
4.2. Algunas modificaciones a los lı́mites . . . . . . . . . . . . . . . . . . . . . . . 31
4.3. Comparación de la eficiencia de las correcciones . . . . . . . . . . . . . . . . 32
4.3.1. Eficiencia de las correcciones para la carta R . . . . . . . . . . . . . . 37
4.3.2. Eficiencia de las correcciones para la carta S . . . . . . . . . . . . . . 42
5. Propuesta de correcciones 48
5.1. Modificación de los lı́mites propuestos en las correcciones . . . . . . . . . . . 48
5.2. Análisis del desempeño de las modificaciones . . . . . . . . . . . . . . . . . . 49
6. Conclusiones y recomendaciones 59
6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
A. Anexo: Código R usado 61

A.1. Cálculo de la ARL y el ESE carta R con lı́mites tradicionales . . . . . . . . . 61
A.1.1. Comentarios al anterior algoritmo . . . . . . . . . . . . . . . . . . . . 62
Contenido ix
A.2. Cálculo de la ARL y el ESE carta s con lı́mites tradicionales . . . . . . . . . 63

A.3. Cálculo de la RL para la carta R con correcciones a los lı́mites. Ejemplo:
UCL=2.5120R̄, LCL=0.1140R̄ (Human et al., 2010) . . . . . . . . . . . . . . 64
A.4. Cálculo de la RL para la carta S con correcciones a los lı́mites. Ejemplo:
UCL=2.4220S̄, LCL=0.1060S̄ (Human et al., 2010) . . . . . . . . . . . . . . 67
A.5. Algoritmo para realizar las gráficas de los PD-Plot . . . . . . . . . . . . . . . 68
A.6. Cálculo de los parámetros a usar en la corrección propuesta por Hamada (2003) 71
B. Bibliografı́a 74
Bibliografı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Lista de sı́mbolos
Sı́mbolos con letras latinas
Sı́mbolo Término Unidad SI Definición

2
1/2 Γ( n2 )
c4 Constante de corrección en la 1 Γ( n−1
2 )
n−1
estimación de los limı́tes para la
carta S
d2 Constante de corrección en la 1 ver Montgomery (2009)
estimación de los limı́tes para la
carta R
Abreviaturas
Abreviatura Término
ARL Longitud media de corrida
CL Lı́nea Central
ESE Error estándar de la estimación
F AP Probabilidad de falsa alarma
F AR Tasa de falsa alarma
LCL Lı́mite de control inferior
RL Longitud de corrida
SDRL Desviación estándar de la longitud de corrida
U CL Lı́mite de control superior
1. Introducción
Siguiendo la filosofı́a de la búsqueda constante de la calidad en los procesos es importante
verificar que una caracterı́stica de un producto cumple con ciertas especificaciones, es decir,
que tome el valor que se esperaba obtener cuando se diseñó el proceso.
Puesto que la calidad se puede definir como la reducción de la variabilidad, es necesario

tener en cuenta cómo cambian los valores de la caracterı́stica de interés en los productos
del proceso y verificar que estos se encuentren en un rango apropiado para el mismo. Para
satisfacer esta necesidad se utilizan las cartas de control, ya que éstas permiten monitorear
la localización y la variabilidad de una o más variables asociadas a caracterı́sticas de calidad
del proceso y ası́ verificar si el producto final cumple o no las especificaciones dadas en el
diseño. Ahora bien, cuando los valores de la variable, o estadı́sticos calculados a partir de
dichos valores, muestran ciclos o patrones extraños, se dice que el proceso se encuentra fuera
de control y es necesario identificar las causas que producen ese comportamiento para pro-
ceder a eliminarlas y lograr ası́ una reducción en la variabilidad.
Durante el monitoreo a un proceso, se supone que la variable asociada con la caracterı́stica

a monitorear sigue un tipo de distribución, comúnmente se asume distribución normal, por
lo que, basándose en las caracterı́sticas de dicha distribución se diseñan las cartas de control
con una lı́nea central en el valor esperado del estadı́stico a graficar en la carta y una o dos
lı́neas adicionales conocidas como lı́mites de control, creando ası́ una región que se espera
contenga, con una probabilidad dada, los valores del estadı́stico calculado con las muestras
obtenidas de las mediciones de la variable en cuestión, cuando el proceso se opere bajo con-
diciones de variación estable. Puesto que es difı́cil conocer los parámetros de la distribución
del estadı́stico, se deben estimar los mismos para construir la carta. Ası́, para monitorear el
comportamiento de una caracterı́stica de calidad asociada a un proceso, usando cartas tipo
Shewhart, se divide el proceso en 2 fases; Una fase I: en la que se estiman los parámetros de
la distribución de la variable a estudiar a partir de observaciones históricas y una fase II: en
la cual se toman muestras a medida que se observa el proceso y se grafican los estadı́sticos
calculados a partir de éstas muestras en las cartas creadas con los lı́mites fijados a partir de
(las estimaciones de) los parámetros obtenidos en la fase I.
En el enfoque tradicional se toman entre 20 y 50 muestras de tamaño entre 3 y 10, con las
que se estiman los parámetros de la distribución, bajo el supuesto de que la variable aleatoria
2 1 Introducción
a monitorear sigue una distribución normal y se asumen las estimaciones realizadas con esas
muestras como los parámetros reales de la distribución. Este enfoque tiene el inconveniente
que se utilizan muestras del mismo proceso, del cual se desconoce si opera bajo control, para
estimar los parámetros de la distribución bajo control, para luego, con la información obte-
nida, decidir si el proceso tiene el comportamiento esperado. Sin embargo no existe forma de
verificar si dichas estimaciones corresponden a los verdaderos parámetros de la distribución
en estado de variabilidad estable.
Es sabido que la estimación hecha sobre los parámetros para construir la carta de control
afecta de alguna manera el desempeño de ésta, también se ha observado que al aumentar
en gran medida el número de datos utilizados para calcular las estimaciones se disminuye el
efecto de la estimación en el rendimiento de la carta. No obstante, en la actualidad es común
encontrarse con procesos productivos en los que no se dispone de grandes cantidades de
datos como para obtener una carta de control construida con lı́mites estimados que presente
un comportamiento similar al de las cartas construidas con lı́mites conocidos. Bajo tales
circunstancias, no es adecuado usar estimaciones obtenidas en la fase I para fijar los lı́mites
de control que se usarán en la fase II y si se usan las estimaciones como lı́mites no deberı́a
ser de forma permanente, ya que los inconvenientes anteriormente descritos se presentan
incluso después de depurar los datos en la fase I, sin importar que previamente se redujeran
las causas asignables que afectan las caracterı́sticas de calidad del proceso.
El procedimiento seguido por muchos usuarios del control de procesos para construir las
cartas de control a partir de una muestra inicial, es mostrado por Caulcutt (1995), éste in-
cluye una etapa de verificación de que los datos usados en la fase I provienen de un proceso
bajo control, y muestra que las cartas de control ası́ construidas no siempre funcionan de la
manera esperada, por lo que se entiende, de forma similar a como se comportarı́a la carta
construida conociendo de antemano los parámetros de la distribución. Por tanto, se hace ne-
cesario estudiar el efecto de la estimación de los parámetros en el comportamiento de la carta
durante la fase II. Este efecto no sólo ha sido observado por Caulcutt (1995), por ejemplo,
Jensen, Jones-Farmer, Champ, y Woodal (2006) anotan que ya en 1954 se habı́a estudiado
dicho efecto en cartas tipo Shewhart y Quesenberry (1993) realizó un estudio detallado del
mismo para cartas X y X̄ teniendo en cuenta los cambios en la cantidad de puntos en la
carta graficados antes de que alguno se salga de los lı́mites de control, una variable aleatoria
conocida como longitud de corrida (RL), su media (ARL) y desviación estándar (SDRL).
De igual forma se observa que el efecto negativo de la estimación se reduce al aumentar el
número de datos (tamaño de muestra, número de muestras o ambos) usados en la fase I y
que entre más parámetros necesiten ser estimados se requerirá de mayor tamaño de muestra
para mejorar el desempeño.
De forma similar, usando diferentes medidas de la eficiencia de la carta y para varios ti-
3
pos de cartas, Chen (1998), Maravelakis, Panaretos, y Psarakis (2002), Albers y Kallenberg
(2004b), Jensen et al. (2006), Khoo y Lim (2005) y Jarrett y Pan (2008), concluyen por un
lado que las cartas con lı́mites estimados tienen un comportamiento diferente al de las cartas
con lı́mites conocidos y por el otro, que se debe aumentar el número de observaciones a usar
en la fase I o fase II para que el desempeño de las cartas sea más apropiado.
En la actualidad el uso de las cartas tipo Shewhart está inmerso dentro de los sistemas de
control de procesos de muchas empresas e industrias, por lo que recomendar no usarlas no
es una alternativa viable, consecuentemente, se ha propuesto utilizar el esquema tradicional
pero aplicando correcciones a las estimaciones hechas en la fase I que permitan construir
cartas de control basadas en los tamaños de muestra usualmente utilizados y recomendados
en la práctica y aún ası́ obtener un desempeño similar al obtenido para una carta construida
con lı́mites conocidos. Al respecto Albers y Kallenberg (2004b) afirman que: “ ... debido a
la enorme flexibilidad en los procesos productivos (ciclos de vida más cortos de los produc-
tos, diversidad de los productos, manufactura de artı́culos de acuerdo a los requerimientos
del cliente, etc.) en muchas situaciones prácticas es imposible tomar grandes cantidades de
observaciones, por tanto en muchos casos no se puede evitar el uso de correcciones y es de
gran interés ver cómo cambia el desempeño de las cartas de control a medida que cambia el
número de observaciones para tamaños de muestra moderados. ...”.
Varios tipos de correcciones se han propuesto para los lı́mites a usar cuando los parámetros
son estimados, se destacan los trabajos de Wood, Kaye, y Capon (1999) que propone un
procedimiento para construir los lı́mites de control basados en el remuestreo (Bootstrap) y
Albers y Kallenberg (2004a) que utiliza el control de las llamadas probabilidades de exce-
dencia, obteniendo cartas X̄ que se comportan de manera más adecuada. Por último, Jensen
et al. (2006), identifican el estudio de la eficiencia de las cartas de control con lı́mites esti-
mados y los efectos de correcciones sobre estos, como una importante lı́nea de investigación
referente al control de procesos y hacen un recorrido por varios artı́culos que abordan dichos
tópicos. Concluyen además que poca investigación ha sido desarrollada al respecto y que la
mayor parte del trabajo se ha hecho sobre cartas para monitorear la media, aún cuando las
cartas para monitorear la variabilidad se ven más afectadas por la estimación de los paráme-
tros en los lı́mites de control. Ası́ mismo, Klein (2000) sostiene que una parte importante
de los esfuerzos para mejorar el control de procesos debe estar enfocada al estudio de las
reducciones en la dispersión. Lo que indica que el trabajo sobre el efecto de usar lı́mites de
control corregidos en cartas de control para la variabilidad constituye un ámbito interesante
para la investigación.
Por otro lado, el criterio más usado para comparar esquemas de control en fase II es el valor
de la ARL. De forma tal que si el valor de la ARL de una carta construida con lı́mites esti-
mados se aproxima al valor de la ARL para una carta construida conociendo los parámetros
4 1 Introducción
de la distribución de los datos, se dice que el comportamiento de la carta es adecuado. Cabe

anotar que en la práctica se asume que la ARL de una carta con parámetros conocidos es
370. Pero no se tiene en cuenta que aún cuando los parámetros de la distribución son conoci-
dos, la RL es una variable aleatoria, ası́ que los valores de la ARL calculados a partir de una
muestra dejan de ser constantes y esto hace que la comparación de las ARLs sea inadecua-
da. Con relación a esto, se han propuesto diferentes criterios para medir la eficiencia de una
carta de control, por ejemplo Jensen et al. (2006) destaca el uso de la distribución marginal
y condicional de la RL y los momentos de las mismas, para evaluar el comportamiento de
cartas con lı́mites estimados. Prajapati y Mahapatra (2009) usa la razón entre las ARL de
dos cartas al momento de detectar cambios en los parámetros (útil para comparar dos cartas
con lı́mites estimados). En Albers y Kallenberg (2004a) se utilizan las probabilidades de ex-
cedencia. Albers y Kallenberg (2004b) enfatiza en que la ARL no caracteriza la distribución
de la RL. Chen (1998) grafica las funciones de distribución empı́ricas de cartas con lı́mites
estimados junto a las distribuciones de la RL con lı́mites conocidos, para comparar las pro-
bablidades de obtener una señal obtenidas en cada caso y Menzefricke (2002) usan técnicas
de muestreo para evaluar la eficiencia. Otro enfoque, propuesto por Chakraborti (2007), usa
algunos percentiles de la distribución de la RL y la probabilidad de ocurrencia de los mismos
y siguiendo la misma idea Radson y Boyd (2005) usa gráficos, denominados PD-Plot, como
una herramienta práctica de análisis de la eficiencia de una carta de control.
En el presente trabajo se estudia vı́a simulación el comportamiento de las cartas R y S,

cuando se estiman los parámetros en la construcción de la carta a partir de 20 o 30 muestras
de tamaño 5 (tamaños comunes en las aplicaciones prácticas) de datos con distribución
normal, comparando su rendimiento, medido en términos de similitudes entre los valores de la
ARL, con el esperado para una carta construida con lı́mites que incluyen los valores reales de
los parámetros. También se estudia la eficiencia, entendida ésta como la capacidad que tiene
una propuesta de lı́mites para producir una carta con un comportamiento similar al esperado
por los prácticos del control de calidad, a saber: Valores de la RL altos para datos bajo
control y valores muy bajos de la RL para cambios en la dispersión, de algunas correcciones
propuestas en la literatura para los lı́mites de las cartas R y S. Se compara de esta forma el
comportamiento de algunas propuestas de correcciones para determinar con cuáles de éstas se
obtiene un comportamiento más adecuado para la carta en Fase II. Finalmente, se modifican
algunas de las correcciones tratando de mejorar su comportamiento para ası́ determinar
empı́ricamente correcciones a los lı́mites con las que se obtengan cartas con comportamiento
más similar al esperado. Al no realizar desarrollos teóricos para obtener las correcciones ni
explorar las correcciones para otros tamaños de muestra, las correcciones propuestas en esta
investigación deben ser usadas sólo para cartas construidas bajo las mismas condiciones
aquı́ utilizadas. Aunque usando una metodologı́a similar a la implementada, se pueden
generar correcciones para otros tamaños de muestra y otros tipos de carta de control.
2. El control estadı́stico de calidad
Actualmente las industrias y empresas utilizan diferentes estrategias para atraer más clientes
que puedan adquirir sus productos o contratar sus servicios. Logrando con ello una mejor
posición en el mercado que les genere mayores ingresos. Las técnicas productivas y de oferta
de servicios modernas le permiten a las compañı́as generar más de lo que sus actuales clientes
pudieran necesitar, por tal razón deben enfocarse en aumentar la cantidad de clientes. Dos
aspectos se pueden considerar como los más importantes al momento de captar la atención
de un cliente potencial; el precio y la calidad de los productos o servicios. De tal forma que
una empresa es más competitiva cuando puede ofrecer productos de mayor calidad a menor
costo. Se puede pensar que la relación entre estos aspectos es inversa, es decir que generar
productos de mayor calidad seria más costoso para la compañı́a. Pero se ha comprobado
que mejorar la calidad de los productos y servicios ofrecidos, le genera a la compañı́a más
ganancias que inversión, puesto que productos y servicios de mayor calidad generan mayor
satisfacción en el cliente, lo que reduce las quejas, devoluciones y reclamos por garantı́a que
finalmente se reflejan en una reducción de los gastos para la compañı́a. Ası́ mismo, produ-
cir artı́culos de mayor calidad reduce los reprocesos y la tasa de productos desechados por
no cumplir las especificaciones para su oferta al cliente, lo que ahorra tiempo, materiales,
energı́a, desgaste de las máquinas y mano de obra. Ahorro que representa dinero para la
compañı́a.
2.1. Calidad
Muchas industrias y empresas han tomado consciencia de que al incrementar la calidad de
sus procesos, productos, o servicios mejoran su productividad y su posición en el mercado
obteniendo ası́ mayores ingresos. Por tanto han implementado diferentes estrategias que les
ayudan a ofrecer productos y servicios siempre con mayor calidad.
A partir de los años 20 el concepto de calidad ha sido incluido dentro de los procesos de
generación de bienes y servicios de muchas compañı́as. Para dar una definición formal de
calidad es necesario retomar las ideas de los gurús de la filosofı́a calidad como son: Deming,
Feigenbaum, Ishikawa, Juran, y Taguchi. Aspectos relevantes sobre las ideas fundamentales
de los mismos y las discusiones respecto a éstas ideas y el concepto de calidad son dados
por Montgomery (2009), Vargas (2006) y Hansen y Ghare (1990). Pero para efectos prácti-
6 2 El control estadı́stico de calidad
cos se puede aceptar que la calidad es inversamente proporcional a la variabilidad y definir

una mejora en la calidad como una reducción en la variabilidad. De esta forma, el principal
objetivo de un sistema de control de calidad en una compañı́a debe ser la búsqueda de la
reducción de la variabilidad de las caracterı́sticas de los productos y servicios ofrecidos al
cliente.
2.2. Las cartas de control

Los sistemas de control de calidad de las compañı́as se basan en planes de mejora y control
de la calidad, los cuales involucran varias etapas cada una de las cuales hace uso de he-
rramientas estadı́sticas que facilitan su ejecución. Puesto que el principal objetivo de estos
sistemas debe ser la reducción de la variabilidad, es necesario tener una forma ágil de medir
la variabilidad de un proceso. Para esto la principal técnica es el uso de cartas de control.
Las cartas de control, introducidas por primera vez por Shewhart en un memorando técnico
de Bell Laboratories en el año 1924, se destacan entre las técnicas de control de calidad
por su facilidad de uso y eficiencia para detectar cambios en la variabilidad de un proceso.
Con el transcurrir de los años se han creado diferentes tipos de cartas de control adecuadas
para monitorear diferentes caracterı́sticas de acuerdo al tipo y cantidad de datos usados. En
Jensen et al. (2006) se muestran varios tipos de éstas incluyendo las cartas X, X̄, R, S, S 2 ,
EWMA, la CUSUM, p, np, multivariadas, entre otras.
Con una carta de control se monitorean las caracterı́sticas de calidad asociadas a un proceso,
producto o servicio, las cuales pueden ser de dos tipos; variables, cuando pueden ser fácil-
mente expresadas como medidas numéricas y atributos, cuando no tiene sentido asociar un
valor numérico a la caracterı́stica. Entre las cartas de control para variables más usadas en
la práctica se encuentran las cartas de control tipo Shewhart. Montgomery (2009), describe
una carta de control, afirmando que “ ...La carta de control es una representación gráfica
de una caracterı́stica de calidad que ha sido medida o calculada a partir de una muestra
tomada del proceso contra el tiempo o contra el número de la muestra. La carta contiene
una lı́nea central (CL) que representa el valor promedio de la caracterı́stica de interés en el
estado bajo control. ...”. Ademas la gráfica incluye dos lı́neas horizontales, llamadas lı́mite
de control superior (UCL) y lı́mite de control inferior (LCL), generalmente ubicadas a una
distancia igual de la CL, expresada en términos de la desviación estándar del estadı́stico
graficado en la carta.
La idea detrás de una carta de control es verificar si la caracterı́stica de calidad estudiada

tiene un comportamiento adecuado de acuerdo al diseño del proceso del cuál ésta proviene.
Por tanto los lı́mites de control se deben dibujar de tal manera que, si al graficar un va-
2.2 Las cartas de control 7
lor del estadı́stico asociado a la variable de interés, el punto queda fuera de los lı́mites, se
pueda tener un indicio de que el comportamiento de los valores de la caracterı́stica no son
los adecuados, caso en el cuál se dice que ha ocurrido una señal. Ası́, se genera un interva-
lo en el cuál las medidas de la variable son aceptables, si el proceso se encuentra bajo control.
La figura 2-1 muestra una carta de control tı́pica. En esta, la observación que genera el
punto resaltado (más grande) es identificada como fuera de control, pues está fuera de los
lı́mites establecidos, lo que genera una señal.
R Chart
for x
Group summary statistics
UCL
4
3
CL
2
1
LCL
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
se alarm alpha = 0.0046 is inflated (>> 0.0027) since the normal approximation for R is not appropriated; in order to have alpha = 0.0027 the e
Figura 2-1.: Carta de control tipo Shewhart.
Number of groups = 30
Center = 2.329281 LCL = 0 Number beyond limits = 1
StdDev = 1.00141 UCL = 4.925193 Number violating runs = 0
Naturalmente dos unidades de un producto a pesar de ser fabricadas con la misma materia
prima, las mismas herramientas, máquinas, por las mismas personas, etc. tendrán diferencias
que las hacen únicas, esto hace que sus caracterı́sticas de calidad difieran y que varı́en las
medidas asociadas a las mismas. Por lo que éstas medidas son variables aleatorias, igualmen-
te los estadı́sticos graficados en la carta de control resultan ser variables aleatorias.
Todo proceso por muy bien diseñado que esté, sin importar si fue realizado con mucho cui-
dado, con las mejores herramientas y el personal mejor calificado, presentará variaciones.
Esto se debe en gran medida a la suma de pequeñas variaciones inherentes a cada una de las
partes del proceso y que son inevitables. Se dice que esta variabilidad es debida a causas
aleatorias. Es claro que existen otras fuentes de variabilidad para los procesos entre las más
comunes se destacan: Maquinaria mal calibrada o no controlada, errores de los operarios y
materia prima defectuosa. Estas causas producen mucha más variación de la esperada en
el proceso y se denominan causas asignables. Al eliminar éstas causas se debe lograr una
disminución notable en la variabilidad del proceso. Un proceso que presente variabilidad
debido a causas asignables se dice que está fuera de control y se espera que al detectar y
reducir las causas asignables del proceso, se pueda cumplir con las especificaciones para el
mismo, obteniendo ası́ lo que se conoce como un proceso bajo control.
Las diferencias entre los tipos de cartas de control incluyen el tipo de datos usados para la
construcción, los estadı́sticos graficados en la carta, la forma de construir los lı́mites de con-
trol, entre otras. Caulcutt (1995) describe un procedimiento considerado como el estándar
para la construcción de cartas de control y discute los beneficios o inconvenientes que podrı́a
generar el seguir esta metodologı́a. Generalmente se supone que la variable asociada a la ca-
racterı́stica de calidad a monitorear tiene distribución normal o que, de acuerdo al teorema
del lı́mite central, la distribución del estadı́stico usado en la construcción de la carta puede
aproximarse a la normal y que sus valores fueron obtenidos a partir de muestras independien-
tes. Además, tratando de que la proporción de productos conformes sea la mayor posible,
se propone construir la carta usando como centro la media del estadı́stico (que también se
asume con distribución normal) y dibujar los lı́mites de control a 3 desviaciones estándar del
centro. De tal forma que la probabilidad de que un punto caiga en la región de aceptación
sea de 0.9973 (lo cuál solo ocurre cuando los parámetros de la distribución son conocidos).
Como es de esperarse, en la práctica la distribución del estadı́stico usado en la carta no es

del todo conocida, pero debido a consideraciones históricas o propias del diseño del proceso
se puede suponer que sigue cierto modelo probabilı́stico en el cuál sólo se desconocen los
parámetros de dicha distribución. Por eso existe la necesidad de estimar los parámetros para
poder dibujar las lı́neas de la carta. Estos parámetros son calculados a partir de muestras
históricas del proceso, luego de hacer una depuración de los mismos para garantizar que el
proceso está bajo control. El anterior procedimiento se denomina Fase I. Luego de definir
los lı́mites de control para la carta, se monitorea el proceso tomando nuevas muestras de los
productos a medida que salen del mismo, midiendo con el mismo estadı́stico la caracterı́stica
de calidad a estudiar y graficando estos estadı́sticos en la carta construida en la fase I. A esta
segunda etapa se le conoce como Fase II. Esto es visto por varios autores como una prueba
de hipótesis realizada sobre diferentes muestras, con esto concuerdan Human, Chakraborti, y
Smit (2010) y se también Scheffe (1947) quien establece algunas pruebas de hipótesis que se
realizan al graficar una carta de control. Ası́ mismo Chakraborti, Human, y Graham (2009)
resaltan el parecido entre el objetivo de una carta de control en fase I, y el de una prueba
de homogeneidad, donde se determina si datos provenientes de varios grupos provienen de
la misma distribución.
2.2.1. Cartas de control para la variabilidad

Cuando en una compañı́a se propone una carta de control para un proceso, generalmente se
propone para monitorear el promedio de una variable aleatoria, ası́ que gran parte del tra-
bajo teórico se ha centrado en estudiar las cartas de control para la media. Esto es resaltado
por Jensen et al. (2006) y Chakraborti et al. (2009). Pero, en la construcción de una carta
para la media es necesario estimar de alguna manera la varianza o la desviación estándar
2.2 Las cartas de control 9
de la variable, y puesto que el principal objetivo del control estadı́stico de calidad es reducir
la dispersión, se hace necesario controlar también la variabilidad de la variable para luego
proceder a controlar la media.
Se han propuesto muchos esquemas y cartas de control para monitorear la variabilidad en

un proceso. En Jensen et al. (2006) se destacan las cartas R, S y S 2 como cartas usadas
para monitorear la dispersión bajo el esquema de control conocido como tipo Shewhart. En
Human et al. (2010) se hace un recorrido sobre el soporte teórico de las cartas R, S y S 2
y se discute sobre su utilidad en fase I y fase II. Recientemente se han propuesto cartas
basadas en otros esquemas como el CUSUM y el EWMA, al respecto se resalta el trabajo
de Prajapati y Mahapatra (2009). En Riaz y Does (2009) se propone una carta de control
para la variabilidad basada en una variable auxiliar.
Chen (1998) caracteriza las cartas de control para la variación como la R y la S, observando
que tienen como centro a la desviación estándar, y como lı́mites superior e inferior a
productos de constantes por la desviación. Pero cuando se desconoce la varianza del proceso
se necesita usar una estimación de la desviación. Para esto, siguiendo el esquema de las
cartas tipo Shewhart, si X es la variable aleatoria asociada a la caracterı́stica de calidad
a monitorear, se seleccionan m muestras de tamaño n de X obteniendo una matriz,
X = Xij ; i = 1, 2, . . . , m, j = 1, 2, . . . , n, de observaciones independientes provenientes del
proceso en una fase I y se construyen los lı́mites de control usando las expresiones:
Ud
CL = Un σ̂ (2-1)
CL
c = σ̂ (2-2)
LCL
d = Ln σ̂ (2-3)
Donde σ̂ puede ser estimado, bajo el supuesto de normalidad, por:

m
1
P
R̄/d2 donde R̄ = m
Ri , d2 se define como el valor esperado de la diferencia entre el
i=1
primer y el enésimo mayor valor de una distribución normal estándar y Ri es el rango
de la i-esima muestra.
s
m n 1/2 Γ( n2 )
S̄/c4 donde S̄ = m1 1
(Xij − X̄i )2 y c4 = E(Si) 2
P P
Si , Si = n−1 = n−1 Γ( n−1
.
2 )
σ
i=1 j=1
Los valores de las constantes d2 y c4 , usadas como factores de corrección del sesgo bajo el
supuesto de normalidad, dependen sólo del tamaño de muestra n y se encuentran tabulados
en muchos libros de control de calidad como Montgomery (2009) y son usadas como múltiplos
de los estimadores de la desviación estándar, puesto que se busca que la carta tenga
aproximadamente la misma probabilidad de indicar que un punto está fuera de control
que una carta construida con lı́mites conocidos. En la carta ası́ construida, se grafican las
estimaciones de la desviación estándar o la varianza σ̂i obtenidas en cada muestra de acuerdo

a la carta; Ri para la R y Si para la S, i=1,2, . . . , m.
3. Correcciones a los Lı́mites de Control
Usualmente en la práctica se desconoce la distribución de la variable asociada a la carac-
terı́stica de calidad a monitorear con una carta de control, y aún en el caso de tener una idea
clara de dicha distribución es demasiado pedir conocer los parámetros de la misma. Como se
vió anteriormente en el proceso para construir una carta de control se deben estimar dichos
parámetros. Lo cuál hace que el comportamiento aleatorio del estadı́stico graficado difiera
de alguna manera con el que se tendrı́a si los parámetros fueran conocidos de antemano.
Esto supone la necesidad de tener algunas medidas de eficiencia que permitan detectar si
una carta está funcionando de la manera adecuada.
Al respecto Human et al. (2010) establecen que el estimar los lı́mites afecta de gran manera
a las cartas para la variabilidad puesto que en éstas:
i) Los lı́mites de control involucran una estimación de la varianza que es desconocida.
ii) La distribución de los estadı́sticos graficados en la carta depende de si la media es

conocida o no.
iii) Los grados de libertad de las distribuciones muestrales de los estadı́sticos a graficar
cambian de n a n-1 cuando la media es estimada.
Varios criterios se han propuesto para medir la eficiencia de una carta y a partir de la
aplicación de los mismos y diferentes metodologı́as de análisis se ha visto que el desempeño
de una carta se ve seriamente afectado por la estimación realizada en la fase I, lo que ha
generado que algunos autores propongan modificaciones a la carta que se traduzcan en un
comportamiento más cercano al esperado. Esto mismo ha motivado la creación de nuevos
esquemas de construcción de cartas que han resultado en la creación de nuevas cartas de
control.
3.1. Medidas de Eficiencia para Cartas de Control

Las medidas y criterios de eficiencia para cartas de control son muy variados, pero todos
tienen el mismo objetivo: Verificar que la carta tenga propiedades estadı́sticas apropiadas y
que cuando se estimen los parámetros la carta exhiba un comportamiento con caracterı́sticas
similares a las que se tendrı́an si los parámetros fueran conocidos.
12 3 Correcciones a los Lı́mites de Control
La medida más usada en la literatura es la ARL; la media de el número de muestras grafi-

cadas hasta obtener la primera señal fuera de control, dicho número de muestras es conocido
como longitud de corrida o RL. De esta manera es común referirse al valor de la variable
ARL, como la longitud media de corrida. Inicialmente se habı́a propuesto usar como medida
de eficiencia la RL, ya que fácilmente se demuestra que ésta es una variable aleatoria con
distribución geométrica con parámetro igual a la probabilidad de una señal fuera de control,
sin importar la distribución de los datos usados en la fase I. Pero cuando los parámetros son
estimados, su distribución no es geométrica, pues las señales dejan de ser independientes de
una muestra a otra y la RL pierde interpretabilidad.
La preferencia por la ARL como medida de eficiencia radica en su facilidad de interpretación:

Cuando la carta se use para monitorear un proceso fuera de control, la ARL es una medida
de qué tan rápido se detectará una situación fuera de control. Además, en el caso que la RL
tenga distribución geométrica, la ARL caracterizará el parámetro de la RL y la distribución
de la RL queda totalmente determinada por la ARL. De esta forma, si los lı́mites de control
se escriben como en las ecuaciones (2-1) y (2-3) y se toman los datos de una distribución bajo
control, se puede denotar el evento de una señal como Ai y de esta manera su probabilidad
de no ocurrencia es caracterizada por 1 − P (Ai ) = P (LCL < σ̂i < U CL) = 1 − p, de donde,
p será el parámetro de la RL para un proceso bajo control y se tendrı́a ARL = E (RL) = p1 .
Al usar la RL y ARL como medidas de eficiencia se espera que en cartas construidas con
datos provenientes de procesos bajo control la RL tome valores grandes y por tanto la ARL
también sea grande y que para procesos fuera de control la RL tome valores mucho más pe-
queños, lo mismo que la ARL, viéndose aquı́ la velocidad de la carta para señalar situaciones
fuera de control.
Algunos autores como Quesenberry (1993) y Maravelakis et al. (2002) usan como √ me-
p (1−p)
dida de eficiencia la desviación estándar de la RL, SDRL= V ar (Y ) = p
=
p
ARL(ARL − 1), pues ésta es más afectada por cambios en la distribución de la varia-
ble que la ARL.
Originalmente la medida de eficiencia usada en las cartas era la probabilidad de que la carta
indicara que un proceso estaba fuera de control cuando en realidad éste estaba bajo control,
esta medida conocida como tasa de falsa alarma fue propuesta por Shewhart y usada en
los primeros estudios, por ejemplo en Hill (1956). La idea era verificar que la probabilidad
de falsa alarma fuera lo más pequeña posible, considerándola como una constante.
En Chen (1998), para evaluar la eficiencia de una carta, se determinan las funciones de dis-
tribución empı́ricas de la RL de cartas con lı́mites estimados y se grafican éstas junto a las
distribuciones de la RL con lı́mites conocidos. La carta para la cuál se obtenga una RL cuya
3.1 Medidas de Eficiencia para Cartas de Control 13
distribución empı́rica tenga una gráfica más parecida a la gráfica de la distribución de la

RL de una carta con lı́mites conocidos tendrá mejor desempeño. También complementa sus
conclusiones referentes a la eficiencia de las cartas usando los valores de la ARL y la SDRL.
En Menzefricke (2002) se usan técnicas de muestreo para evaluar la eficiencia de una carta
y para esto se usan valores hipotéticos de los parámetros de la distribución de la variable
a monitorear con la carta y la función de distribución predictiva, obtenida por metodos de
estadı́stica bayesiana, de un estadı́stico asociado a la verosimilitud de la muestra. Ası́, se
comparan los tamaños de las regiones de rechazo para las distribuciones muestrales obteni-
das para los valores propuestos con el tamaño de la región de rechazo obtenida con la función
predictiva.
Mas recientemente Albers y Kallenberg (2004a, 2004b) observan que para cartas con lı́mites
estimados la probabilidad de falsa alarma es una variable aleatoria Pm que está en función de
los estimadores de los parámetros de la distribución y del número m de muestras de tamaño
fijo tomadas en la fase I y se apunta que un criterio para medir el comportamiento de la carta
puede basarse en limitar el sesgo relativo de Pm respecto a p (la probabilidad de falsa alarma
que se tendrı́a si los parámetros fueran conocidos); |(E(Pm ) − p)/p|. Luego de esto proponen
un criterio de eficiencia basado en la probabilidad de excedencia, P [(Pm − p)/p ≥ k],
pues esta probabilidad da información respecto a la posibilidad de obtención de sesgos más
allá de un cierto nivel en una única corrida. Según este criterio se fijan lı́mites para la pro-
babilidad a controlar y luego se especı́fica qué tan frecuentemente se pueden admitir valores
de la mı́sma por encima de dichos lı́mites. El procedimiento propuesto para medir la eficien-
cia de la carta es estimar g(p) con g(Pm ) y comparar E[g(Pm )] con g(p) para las funciones
g(p) = p, g(p) = 1/p y g(p) = 1 − (1 − p)k , que corresponden a la probabilidad de falsa
alarma, la ARL y la probabilidad de que la longitud de corrida sea al menos k, haciendo
énfasis en que 1/p no resume por completo las propiedades de la RL de la carta, debido
a que se ve muy afectada por la existencia de grandes valores para la RL. Como criterio
para medir la cercanı́a del desempeño de una carta con lı́mites estimados se utiliza el error
relativo de Pm respecto a p, de tal forma que el mismo este acotado superiormente por un
valor, por ejemplo 10 %, es decir que |(E(g(Pm ) − g(p))/g(p)| ≤ 0.1. Aunque también se
trata de ajustar la ARL de la carta a valores prefijados.
Siguiendo la idea de encontrar una mejor medida del desempeño de una carta, Radson y Boyd
(2005) critican el uso de la ARL como única medida del desempeño de una carta, indicando
que se puede obtener mucha más información en la distribución de la RL que al considerar
sólo la ARL, pero debido a la gran cantidad de información contenida en la distribución de
la RL, su interpretación puede ser engorrosa. Para evaluar la eficiencia proponen gráficos
similares a los boxplots, mostrando diferentes medidas descriptivas en un sólo gráfico. La
ventaja de esta propuesta radica en la facilidad para comparar rápidamente el rendimiento
de varias cartas en una sola gráfica (caracterı́stica heredada de los boxplots). Ası́, se introduce
el gráfico de los percentiles de la distribución PD-Plot, del Ingles Percentiles of the Distri-
bution Plot, una modificación del boxplot en la que aparecen lı́neas horizontales dibujadas a
la altura de los valores de los percentiles 25°, 50°, 75° de la distribución muestral de la RL.
El ancho de cada una de esas lı́neas es igual a la probabilidad de ocurrencia del percentil
correspondiente basada en la distribución muestral, lo que le da la forma caracterı́stica al
gráfico. Teniendo en cuenta que la distribución de la RL es muy sesgada a la derecha, se
unen con una linea vertical el 5° percentil con el 25° percentil y támbien el 75° con el 95°
(emulando ası́ los bigotes del Boxplot), quedando el nivel de asimetrı́a de la distribución
asociado con el largo de dichas lı́neas.
Ahora, al graficar varios PD-plots en una misma figura con la misma escala, la compara-
ción entre el comportamiento de la RL para las cartas que generan los mismos, es hecha
de manera simple e intuitiva, lo que le da una gran fortaleza como herramienta práctica
para el análisis de la eficiencia de una carta de control y para la evaluación de diferentes
esquemas de monitoreo mediante cartas de control. Existen otros gráficos que permiten ha-
cer esta comparación como el Box-Percentile plot, introducido por Esty y Banfield (2003).
Pero se decidió usar el PD-plot, pues Chakraborti (2007) propone el uso de los percentiles
de la distribución de la RL para evaluar el desempeño de una carta y en un Box-Percentile
plot no se pueden identificar fácilmente los valores de los percentiles, mucho menos para
distribuciones sesgadas como la de la RL. Ademas Radson y Boyd (2005) indican cómo se
podrı́a utilizar éste gráfico para realizar la comparación del desempeño de cartas de control
para distribuciones fuera de control.
Líneas horizontales: El largo indica la probabilidad

Liíneas verticales: El largo indica el nivel de simetría
100 150 200 250
Tercer Cuartil
Longitud de corrida
Mediana
Primer Cuartil
50
Probabilidad
Figura 3-1.: Ejemplo de PD-Plot.

3.1 Medidas de Eficiencia para Cartas de Control 15
En la figura 3-1 se muestra un ejemplo de PD-plot. Como es habitual en la mayor parte de

las gráficas estadı́sticas, no se espera obtener información precisa de las medidas asociadas
con la distribución de la RL a partir del PD-Plot, por tanto, no se muestran en los mismos
los valores de los percentiles, ni las probabilidades empı́ricas asociadas a los mismos, aun-
que si se muestra una escala en la cuál se pueden comparar dichos valores. El eje x no se
encuentra etiquetado para dar más simplicidad al gráfico, pero las marcas que se hacen en
el mismo tienen una separación conocida la cuál se especifica en el titulo de la gráfica para
poder obtener una aproximación de los valores de la probabilidad asociada a los percentiles.
Jensen et al. (2006) destaca el uso de la distribución condicional de la RL cuando los lı́mites
son estimados y algunas medidas asociadas a dicha distribución para evaluar la eficiencia
de una carta. Chakraborti (2007) resalta que la RL sólo toma valores discretos y que su
distribución es extremadamente sesgada a la derecha. Ası́, advierte sobre la necesidad de
usar un mejor indicador del desempeño de la carta que el valor de la ARL. Afirma además
que para distribuciones sesgadas la mediana es mejor medida del centro de los datos que la
media y propone usarla como medida de la eficiencia de la carta, además ésta no es influen-
ciada por los outliers que probablemente tenga la distribución de la RL y demuestra que los
percentiles de la distribución de la carta pueden ser calculados incluso cuando los parámetros
son estimados (esto para la carta X̄), de donde propone el uso de algunos percentiles de la
distribución de la RL para medir la eficiencia de la carta.
Acosta-Mejia y Pignatiello Jr. (2008) observan que al usar lı́mites estimados la ARL de-
pende de las estimaciones y por tanto es en sı́ misma una variable aleatoria. Luego, para
evaluar la eficiencia de una carta se usa toda la distribución de la ARL. Asignando un buen
desempeño a una carta en la cuál la distribución empı́rica de la ARL tiene una gráfica con
forma similar a la de la carta con lı́mites conocidos, es decir, que para muestras bajo control
tiene un ARL grande y para muestras con un cambio en la dispersión (fuera de control)
tiene un ARL pequeño. A una tabla o gráfica de los valores de la ARL obtenidos a partir de
muestras con parámetros modificados contra los valores de la modificación en las muestras
se le denomina Perfil de la ARL. De esta forma para comparar el desempeño de varias
cartas de control, en ese artı́culo se considera mejor la carta que tenga un perfil con ma-
yor altura cuando no existan cambios en los valores de los parámetros y menor altura para
cambios en los parámetros; esto tiene sentido ya que al considerar datos con distribución
normal, se espera que S y R aumenten o disminuyan considerablemente al aumentar o dis-
minuir la desviación de los datos, haciendo más difı́cil que los estadı́sticos estén dentro de
los lı́mites de control, disminuyéndose los valores de la RL y consecuentemente los de la ARL.
Human et al. (2010) destacan la importancia de la fase I y las cartas de control en la práctica
del control de calidad. Comentan la dependencia de los eventos de señalización y la necesi-
dad de escoger una buena medida para evaluar la eficiencia de la carta dependiendo de si
se trabaja en fase I o fase II. Proponen como una buena medida de la eficiencia de la carta
en fase I la Probabilidad de Falsa Alarma (FAP); la probabilidad de que se presente al
menos una señal de falsa alarma. La diferencia entre la FAR y la tasa de falsa alarma radica
en que la FAR se refiere a una señal de falsa alarma en una muestra especifica (una muestra
por vez), mientras que la FAP considera todas las m muestras simultáneamente. Se advierte
que al usar sólo la FAR para evaluar la eficiencia se menosprecia el hecho de que todos los
m grupos de datos son analizados contra los mismos lı́mites lo que genera un alto número
de falsas alarmas. Se destaca que a diferencia la FAP tiene en cuenta el número de grupos
usados en la fase I y por tanto es una mejor medida de eficiencia cuando se usan varios grupos.
3.2. Correcciones a las Cartas

Al desear que el comportamiento de las cartas de control tipo Shewhart construidas con
lı́mites basados en estimaciones de los parámetros sea similar a las cartas construidas con
parámetros conocidos, se ha visto la necesidad de cambiar un poco la forma de calcular dichos
lı́mites. La idea inicial propuesta por Shewhart era usar las propiedades de la distribución
normal para construir cartas de la forma U CL = µ + 3σ, CL = µ, LCL = µ − 3σ donde µ y σ
eran la media y desviación estándar del estadı́stico graficado en la carta. Pero desde la misma
concepción de las cartas de control tipo Shewhart se han modificado los lı́mites utilizados
en la carta al estimar los parámetros. Al respecto Albers y Kallenberg (2004b) manifiestan
que al construir la carta X̄ usando como lı́mites Ud CL = X̄ + 3 c14 √S̄n , LCL
d = X̄ − 3 1 √S̄ ,
c4 n
ya se estaba realizando una corrección debido al factor 1/c4 incluido para que la estimación
del lı́mite fuera insesgada y se mantuvieran las probabilidades de señalizar cuando un punto
esté fuera de control.
Diferentes estudios han comprobado que incluso cuando se realizan las correcciones propues-
tas en la forma clásica de definir las cartas tipo Shewhart, el comportamiento de las cartas con
lı́mites estimados seguı́a siendo muy diferente al que se esperaba. Al respecto, Montgomery
(2009) destaca que aún cuando las muestras son normales, la distribución del rango muestral
no es simétrica, lo que hace que los lı́mites 3σ, comúnmente usados, no garanticen un buen
comportamiento de la carta. Por ejemplo, para n = 4 la ARL bajo control de la carta R
construida con datos normales tiene es de 216.92, cuando se esperaba un valor cercano a 370.
En Hill (1956) se discute la necesidad de modificar los lı́mites al momento de construir cartas
con lı́mites estimados y se propone ajustar los lı́mites de la carta X̄ considerando la tasa de
falsa alarma. En esta propuesta se cambian las constantes comúnmente usadas como factores
de la desviación y se tiene en cuenta el tamaño de muestra, llegando a lı́mites de la forma
√
UdCL = X̄ + (3.9 + 1.645 n)σ̂. Además fija varias reglas según las cuales valdrı́a la pena
modificar los lı́mites.
3.2 Correcciones a las Cartas 17
Jensen et al. (2006) Observan que en los estudios iniciales sólo se ajustaban los lı́mites de
control de tal forma que la probabilidad de falsa alarma tuviera un valor deseado y luego con
esto se determinaba cuál deberı́a ser el tamaño de la muestra apropiado para la estimación
de los lı́mites. Logrando ası́ cartas que se comportarán de una manera más apropiada, pero
en estos estudios se consideró que dicha probabilidad era determinı́stica y no una variable
aleatoria y no fue considerado que los puntos fuera de (y bajo) control dependı́an de las
estimaciones hechas para los parámetros, como mostró Quesenberry (1993).
Estudios que tienen en cuenta que la tasa de falsa alarma es una variable aleatoria y a partir
de esto proponen cambiar los lı́mites de control para cartas R y S que permitan, usar los
tamaños de muestra más comunes obtener un mejor desempeño de la carta, se encuentran
en Albers y Kallenberg (2004a), Albers y Kallenberg (2004b) y Human et al. (2010), entre
otros. En el presente trabajo se denomina corrección a una modificación de los valores
usados como lı́mites de control superior e inferior (LCL y UCL) en una carta R ó S. A conti-
nuación, se presentan algunos detalles de trabajos que realizan correcciones a las cartas R y S.
Chen (1998) observa que, bajo el supuesto de normalidad, las densidades de los estadı́sticos
asociados a los lı́mites estimados en las cartas R y S; UR = R̄/(d2 σ) y US = S̄/(c2 σ) son
√
aproximadamente chi-cuadrados escaladas de la forma cχ2ν / ν, donde c y ν son constantes
determinables. Ası́, tiene sentido plantear correcciones a los lı́mites basándose en la distribu-
ción χ2 . Se han planteado muchas correcciones de este tipo, algunas de estas tienen en cuenta
lı́mites probabilı́sticos. Incluso, Scheffe (1947) ya planteaba algunas de dichas correcciones,
observando la relación con las pruebas chi-cuadrado.
Klein (2000) evalúa el desempeño de tres tipos de modificaciones a los lı́mites propuestos
para la carta S. Destaca el hecho de que, para tamaños de muestra menores o iguales a 5, las
cartas S tradicionales no tienen lı́mites inferiores, siendo poco informativas al momento de
detectar disminuciones en la variación. También se establece el uso del perfil de la ARL para
evaluar la eficiencia de las correcciones a las cartas, resaltando que se debe tener un perfil
relativamente simétrico respecto a los aumentos o disminuciones en la varianza y que el valor
máximo de la ARL se debe alcanzar en el caso bajo control. Los tres esquemas evaluados,
representados siguiendo la notación usada en dicho artı́culo, son:
a) El esquema S(6=), en el cuál las correcciones son obtenidas basándose en lı́mites

probabilı́sticos calculados con probabilidades de colas desiguales de una distribución chi-
cuadrada, de tal forma que el valor máximo de la ARL se alcance cuando los datos
provengan de un proceso bajo control.
b) El esquema S(=), con correcciones basadas en lı́mites probabilı́sticos a partir de

probabilidades de colas iguales de una distribución chi-cuadrada.
c) El esquema K(2) con correcciones basadas en lı́mites de advertencia (WL), donde se

obtiene una señal sólo cuando dos puntos sucesivos caen fuera de los limites del mismo
lado de un mismo lı́mite.
Para obtener las correcciones usando la distribución chi-cuadrada, trata de obtener una carta
que produzca una ARL = 1/p, donde p es la probabilidad de que una observación para S
quede fuera de los limites de control. De esta forma, teniendo en cuenta que al estar las
muestras formadas por n observaciones independientes de variables con distribución normal
2 2
con la misma media y varianza, (n−1)S
q /σ tiene distribución chi-cuadrado
q con n−1 grados
2 2 2 2
de libertad y si se hace LCL = σ χ(n−1,β) /(n − 1) y U CL = σ χ(n−1,1−α) /(n − 1),
donde χ2(n−1,q) es el percentı́l q de la distribución χ2 , con n − 1 grados de libertad,

se tiene P (LCL ≤ S ≤ U CL) = P σ 2 χ2(n−1,β) /(n − 1) ≤ S 2 ≤ σ 2 χ2(n−1,1−α) /(n − 1) =

2 2 2 2
P χ(n−1,β) ≤ (n − 1)S /σ ≤ χ(n−1,1−α) = 1−α−β = 1−(α+β) = 1−p, donde p = α+β.
Seleccionando adecuadamente los valores para α y β, se puede lograr que 1/p tome el valor
deseado.
En el esquema S(=), se hace α = β = p/2 y para obtener una ARL=1/p=256, con

n = 5 (valor que se tendrı́a si se usaran los limites tradicionales) y datos provenientes
de una distribución con varianza 1, propone usar U CL = 2.0603, LCL = 0.1786.
En el esquema S(6=), tratando de lograr una ARL=256, para n = 5, se busca

numéricamente entre todas las posibles parejas (α, β), tales que α + β = p, una en
la cual se produzcan valores aproximadamente iguales para la ARL cuando σ = 0.99
y cuando σ = 1, 01. Con esto propone los lı́mites U CL = 2.1941, LCL = 0.2027.
En el esquema K(2), utiliza un procedimiento basado en cadenas de Markov, para

obtener las correcciones a usar y propone, para n = 5 y datos provenientes de una
distribución con varianza 1, usar los limites U CL = 1.5599, LCLs = 0.4096 .
Con dichas correcciones se construyeron las cartas y se compararon los perfiles de la ARL,
obteniendo que para detectar aumentos y disminuciones en la dispersión de los datos, es más
conveniente usar el esquema K(2), pues con éste se obtienen valores uniformemente menores
de la ARL para el caso de disminución en la dispersión. Siguiendo en orden de eficiencia para
la detección de cambios el esquema S(=).
Hamada (2003) propone, para cartas R y S, usar lı́mites de control calculados a partir de
intervalos de tolerancia, que en este caso, son intervalos que contienen, con una pro-
babilidad fija γ, un cierto porcentaje de la población del rango o la desviación estándar
muestral. (Propuestos anteriormente para estudiar la variabilidad por Tietjen y Johnson
(1997)). En el mismo estudio observa que para un estadı́stico T calculado en fase II y lı́mites
de control estimados,
calculados en
la fase I a partir de una serie de observaciones X, se
desea tener P LCL d ≤ T ≤ Ud CL = 1 − (p1 + p2 ) = 0.9973, donde se propone considerar

PX P (T ≤ LCL|X) d ≤ p1 texty P (T ≥ Ud CL|X) ≤ p2 ) ≥ γ, pues con esto se controla la
probabilidad de que los lı́mites de control contengan una proporción del estadı́stico graficado
en la carta, controlando al mismo tiempo la probabilidad de obtener una señal, sea porque el
q(R/σ,p1 )
estadı́stico superó al UCL o porque es inferior al LCL. Se prueba que para k1 = q(R̄/σ,1−(1−γ)/2)
y k2 = q(q(R/σ,1−p 2)

R̄/σ,(1−γ)/2)
se logra que PX P (R ≤ k1 R̄X ) ≤ p1 y P (R ≥ k2 R̄X ) ≤ p2 ) ≥ γ y que
q 2 q 2
q(χn−1 ,p1 ) q(χn−1 ,1−p2 )
para g1 = n−1
q(S̄/σ, (1 − γ)/2) y g2 = n−1
q(S̄/σ, 1 −(1 − γ)/2) se logra

que PX P (S ≤ g1 S̄X ) ≤ p1 y P (S ≥ g2 S̄X ) ≤ p2 ) ≥ γ donde q(T, p) es el p-ésimo cuantil
de la distribución de T . Usando lo anterior, proponen utilizar las constantes k1 y k2 para
establecer los lı́mites en cartas R y g1 y g2 para establecer los lı́mites en cartas S. Un aspecto
relevante de este trabajo es que no se obtienen lı́mites de control inferiores iguales a cero,
permitiendo detectar disminución en la variación del proceso. Se llega a correcciones como
LCL = 0.149S̄, U CL = 2.662S̄ para la carta S y LCL = 0.097R̄, U CL = 2.932R̄ para la
carta R, recomendadas para 20 muestras de tamaño 5. Garantizando con estas correcciones
que para un proceso bajo control se tenga una probabilidad de 0.95 de que el 99.73 % de los
estadı́sticos graficados en la carta estén entre los lı́mites establecidos. Al seguir la metodo-
logı́a propuesta en este artı́culo se pudo obtener la corrección LCL = 0.153S̄, U CL = 2.577S̄
para la carta S y LCL = 0.150R̄, U CL = 2.658R̄ para la carta R con m = 30 y n = 5.
Albers y Kallenberg (2004a, 2004b) resaltan que muy pocos trabajos anteriores proponen no
cambiar el número de muestra sino modificar (en este caso adicionando constantes adecua-
das) los lı́mites estimados. Su trabajo se basa en controlar las probabilidades de excedencia.
De esta forma, se indica que un criterio para medir el comportamiento de la carta con lı́mi-
tes corregidos puede basarse en limitar el sesgo de Pm respecto a p (la probabilidad de falsa
alarma que se tendrı́a si los parámetros fueran conocidos), |(E(Pm ) − p)/p|, lo cuál puede
ser logrado por métodos asintóticos y que incluso se puede limitar la tasa de falsa alarma,
pero que esto no puede ser extendido a otros indicadores como la ARL.Teniendo en cuenta
lo anterior, indican que considerar sólo el valor esperado no es lo mejor pues la variabilidad
de Pm es en general grande, indicando que el buen comportamiento de E(Pm ) puede deberse
a que habrán valores muy altos para esta probabilidad compensados con valores muy pe-
queños para la misma, lo cuál es indeseable. De esta forma, se centra el trabajo en controlar
la probabilidad de excedencia; P [(Pm − p)/p ≥ k] pues esta probabilidad da información res-
pecto a la posibilidad de obtención de sesgos más allá de un cierto nivel en una única corrida.
En el procedimiento seguido por Albers y Kallenberg (2004b) se fijan lı́mites para las
probabilidad de falsa alarma a controlar y luego se especı́fica qué tan frecuentemente se
pueden admitir valores por encima de esos lı́mites usando las probabilidades de excedencia.
Obtienen valores exactos para las correcciones que permiten lograr el control de las
probabilidades de excedencia y luego proponen aproximaciones más simples a los valores
de las correcciones, clarificando que al usar aproximaciones se perderá fidelidad en la
corrección, siendo eso sólo un pequeño precio a pagar por la facilidad en la aplicación
práctica. Consideraron sólo correcciones sobre el lı́mite superior para la carta X indicando
que las generalizaciones a lı́mites bilaterales son inmediatas, y se obtienen fórmulas para las
correcciones también para lı́mites bilaterales. Los lı́mites de control que proponen son de la
forma µ̂ + (up + c)σ̂ , donde up = Φ−1 (1 − p) es el lı́mite de control que se usa si los datos
tienen distribución normal para garantizar una tasa de falsa alarma p, siendo Φ la función
de distribución de una variable normal estándar, el cuál sólo se aumenta o disminuye en una
pequeña cantidad c a determinar, anotando que el factor c4 comúnmente usado pertenece a
este tipo de correcciones y que se puede usar el mismo enfoque para cualquier estimador de σ.
Para obtener las correcciones necesarias para los lı́mites, notan que el trabajo por simulación
no permite completamente determinar los términos de corrección adecuados y que por tanto
es necesario considerar la distribución asintótica de Pm , llegando, luego de aproximaciones,
a correcciones con c definido como:
u(u2 +2)
c= 4n
,
para g(p) = p
2
n o 2
c = (u4n+2) u − 2ϕ(u)
p
≈ − u(u4n+u) , Para g(p) = 1/p
n o
u2 +2 (k−1)ϕ(u)
c= 4n
u− (1−p)
para g(p) = 1 − (1 − p)k
Donde up se escribe como u para facilitar la escritura y ϕ es la función de densidad de una

variable con distribución normal estándar.
Albers y Kallenberg (2005) tratan de corregir los lı́mites parala carta X̄ de tal forma que el
sesgo de la tasa de falsa alarma (|E(Pm ) − p|) o de la ARL (E( P1m ) − p1 ) tome valores tan

CL = µ̂ + up/2 σ ∗ 1 + Bn

pequeños como sea posible. Proponen correcciones de la forma Ud
d = µ̂ − up/2 σ ∗ 1 + B , donde up es el factor de corrección usualmente recomendado

y LCL n
para obtener una carta con ARL = 1/p y B es una constante a determinar. Se proponen
valores para B obtenidos al considerar diferentes estimadores para la varianza σ ∗ llegando a
correcciones muy simples; se demuestra que al usar σ ∗ = S una corrección apropiada para
CL = X̄ + 3S 1 + n3 y LCL
d = X̄ − 3S 1 + 3 . Se observa que con

lograr ARL = 370, es Ud n
esta corrección se logra reducir en gran manera el sesgo, incluso para n=40, lo que representa
un tamaño de muestra relativamente moderado, considerando que la recomendación habitual
es tomar n ≥ 30.
Khoo y Lim (2005) aseveran que la carta R construida con los lı́mites (2-3) y (2-1) no produce
ARL bajo control de aproximadamente 370. Encontrando la forma de la función de densidad
del rango de los valores de la función de distribución para una muestra de datos con distri-
bución normal, demuestran que si Xij ∼ N (µ, σ 2 ); i = 1, 2, . . . , m, j = 1, 2, . . . , n , entonces,
Ri = F (Xi(1) ) − F (Xi(n) ) tiene función de densidad hRi = n(n − 1)(1 − r)rn−2 , 0 < r < 1.
Donde Xi(1) y Xi(n) corresponden al mı́nimo y el máximo de la i-esima muestra considerada.
Con base en lo anterior, proponen construir la carta R basándose en los datos transforma-
dos por medio de la función de distribución normal acumulada (Φ en el caso N (0, 1)) y
R U CL
obteniendo los lı́mites de control de la ecuación LCL hRi (r) dr = 1 − α, que se convierte en
n(U CL)n−1 − (n − 1)(U CL)n − [n(LCL)n−1 − (n − 1)(LCL)n ] = 1 − α, garantizando ası́ que
se tenga una probabilidad de error tipo I igual a α. Resolviendo la anterior ecuación para
1/α ≈ 370 se obtienen los lı́mites: LCL = 0.131807 y U CL = 0.988243 para construir la
carta R con subgrupos de tamaño n = 5 de datos transformados. Khoo y Lim (2005) también
evaluaron el desempeño de la carta ası́ construida por medio del perfil ARL, observando que
es mucho mejor que el de la carta R tradicional.
Una metodologı́a bastante diferente es propuesta por Jarrett y Pan (2008) quienes ajustan
los lı́mites de las cartas R y S de tal forma que tengan una ARL igual a la de la carta para
X̄, construida con la estimación adecuada de la desviación estándar. Se utilizan métodos
de Monte Carlo para diferentes planes de muestreo en fase I mostrando que las cartas no
tienen las ARL deseadas y, fijando un valor objetivo para la ARL, vı́a simulación, encuentran
los lı́mites para las cartas que permiten obtener dicha ARL. Afirman que con este proce-
dimiento se obtienen cartas que protegen tanto de errores tipo I como de errores tipo II.
Siguiendo el procedimiento descrito se propone para m=30 y n=5, calcular los lı́mites con la
corrección UCL=2.148R̄, LCL=0 para la carta R, obteniendo ARL=419.2 y UCL=2.089S̄,
LCL=0 para la carta S, obteniendo ARL=407.9. Ası́ como UCL=2.126R̄, LCL=0 para la
carta R, obteniendo ARL=464.6 y UCL=2.064S̄, LCL=0 para la carta S cuando n=5 y
m=20, obteniendo ARL=450.1.
Acosta-Mejia y Pignatiello Jr. (2008) escriben los lı́mites de control para la carta R como
LCL=max[0 , σ0 (d2 − kl d3 )] y UCL=σ0 (d2 + ku d3 ), donde σ0 es el valor que se espera tome
el parámetro de la distribución, desde la concepción del proceso y d2 y d3 son constantes que
dependen del tamaño de la muestra graficada en la carta. Luego se fija un valor objetivo
para la ARL y se encuentran por medio de una serie de simulaciones, en las que varı́an los
valores de kl y ku , todos los posibles valores para las constantes kl y ku , que producen cartas
con ARL bajo control igual al valor objetivo. De entre todos los pares (kl , ku ), se escoge el
que produzca menores valores para la ARL cuando se utilicen muestras que presenten un
aumento en la dispersión. Con esto se obtiene una modificación a los lı́mites de control que
es insesgada para los valores de la ARL. De esta forma, para muestras de tamaño 5 de datos
con distribución normal con varianza 1 y un valor objetivo de la ARL = 370.4, se propone
la corrección UCL=5.7128, LCL=0.4484. Nótese que esta propuesta evita el cálculo de los
lı́mites a partir de un número de muestras de tamaño n.
Además, Acosta-Mejia y Pignatiello Jr. (2008) proponen modificar la frecuencia con que la
carta muestra una señal fuera de control, usando un esquema en el que la carta señaliza
sólo cuando h > 1 puntos consecutivos quedan por encima del lı́mite de control superior
o cuando la misma cantidad de puntos quedan por debajo del lı́mite de control inferior.
Con esto afirman obtener cartas R con una eficiencia mejorada. En este caso se utiliza un
procedimiento basado en cadenas de Markov para aproximar la ARL. Se demuestra que con
este esquema si se fija un valor para la ARL, a medida que h aumenta, se disminuye la
distancia entre los lı́mites necesarios para obtener dicho valor de la ARL. Tanto ası́ que para
h > 8 estos lı́mites se unen. Para obtener una mejor carta R proponen combinar en una
sola carta los lı́mites obtenidos cuando h = 1 y los obtenidos cuando h = 9, manteniendo
la misma condición de señalización, es decir, la carta señaliza cuando un punto queda fuera
de los lı́mites obtenidos para h = 1 o si 9 puntos consecutivos quedan del mismo lado del
lı́mite (sólo uno pues h > 8) obtenido para h = 9. Con este esquema se llega a los lı́mites
UCL=5.798 y LCL= 0.283. Se muestra que con estos lı́mites se obtiene un mejor perfil de
ARL que con los limites mencionados anteriormente en el mismo artı́culo y se concluye que
este esquema produce cartas R más eficientes.
Human et al. (2010) proponen usar la probabilidad de falsa alarma FAP para encontrar los
lı́mites de control en cartas R y S. En este esquema, se fija un valor nominal F AP0 para la
FAP (relativamente pequeño) y se determinan los lı́mites para la carta de tal forma que la
carta resultante tenga F AP ≤ F AP0 . Por ejemplo para la carta R se cuestiona el uso de las
constantes D3 y D4 para calcular los lı́mites, puesto que éstas constantes están basadas en
la F AR y en su desarrollo asume incorrectamente que la distribución del rango muestral es
simétrica.
Siguiendo ese enfoque, si se denomina Ai el evento de obtener una señal con la muestra
i y Ci al evento
mde quela muestrai mesté bajo control, se tiene en el caso de la carta

S T c m
T
R: F AP = P Ai |Ci = 1 − P Ai |Ci = 1 − P {LCL
d < σ̂i < Ud CL}|Ci =
m i=1 i=1
m i=1
T T
1−P {Ln R̄/d2 < Ri < Un R̄/d2 }|Ci = 1 − P {a < Ri /R̄ < b}|Ci =
i=1 i=1
Rb Rb Rb
m
T
1−P {a < Ui < b}|Ci = 1 − . . . f (u1 , u2 , . . . , um )du1 du2 . . . dum .
i=1 a a a
La idea ahora es determinar las constantes a y b de tal forma que F AP = F AP0 para un va-
lor dado de F AP0 . Para esto es necesario conocer la distribución conjunta de U1 , U2 , . . . , Um ,
la cuál es poco conocida, además de ser su aproximación computacionalmente exigente,
por tanto, se opta por escribir F AP = P (Umax ≥ b|C) + P (Umin ≤ a|C) − P ({Umax ≥
b} ∩ {Umin ≤ a}|C) donde Umax = max(U1 , . . . , Um ), Umin = min(U1 , . . . , Um ) y C es
el evento de que todas las muestras estén bajo control. De esta forma sólo se necesita la
3.3 Metodologı́a para Evaluar la Eficiencia de las Cartas de Control 23
probabilidad marginal del mayor y el menor de los Ui . Al ser las distribuciones margina-
les y conjunta de Umax y Umin demasiado complicadas, se usa un esquema más conser-
vador en el cuál por medio de simulaciones se estiman las constantes a, b de tal forma
que F AP0 ≥ P (Umax ≥ b|C) + P (Umin ≤ a|C). Ahora, puesto que los Ui no tienen por-
qué estar simétricamente distribuidos éstas últimas probabilidades no necesariamente son
iguales, pero, por simplicidad se buscan a, b que cumplan F AP0 /2 ≥ P (Umax ≥ b|C) y
F AP0 /2 ≥ P (Umin ≤ a|C), logrando ası́ que F AP0 ≥ P (Umax ≥ b|C) + P (Umin ≤ a|C) .
En el trabajo de simulación de Human et al. (2010) se generan 10.000 observaciones de

la distribución conjunta de los Ui y con éstas, se obtienen observaciones de la distribución
de Umin y Umax , con las cuales se obtienen los valores de a y b a partir de sus respectivas
distribuciones empı́ricas. De este modo se obtienen correcciones para los lı́mites de control
de las cartas R y S como por ejemplo:
LCL = 0.1050R̄, U CL = 2.5770R̄ y LCL = 0.1050S̄, U CL = 2.4840S̄, cuando m = 30,

n = 5 y F AP0 = 0.01
LCL = 0.1530R̄, U CL = 2.3550R̄ y LCL = 0.1560S̄, U CL = 2.2860S̄, cuando m = 30,

n = 5 y F AP0 = 0.05.
LCL = 0.1140R̄, U CL = 2.5120R̄ y LCL = 0.1060S̄, U CL = 2.4220S̄ cuando m = 20

y n = 5 y F AP0 = 0.01
LCL = 0.1720R̄, U CL = 2.2800R̄ y LCLs = 0.1720S̄, U CL = 2.2180S̄, cuando

m = 20 y n = 5 y F AP0 = 0.05.
3.3. Metodologı́a para Evaluar la Eficiencia de las Cartas

de Control
Quesenberry (1993) realizó un estudio de simulación que condujo a pensar en la longitud de
corrida como una variable aleatoria y mostró el efecto de considerar lı́mites estimados en las
cartas X y X̄. En este estudio se generaron, para diferentes valores de m, muestras de tamaño
5 de datos provenientes de una distribución N(µ, σ 2 ), para valores fijos de los parámetros y
se calcularon los estimados de los lı́mites de control, luego, para diferentes valores de δ se
generaron muestras perturbadas con distribución N(µ+δσ, σ 2 ), hasta obtener un punto fuera
de los lı́mites de control, con éstas observaciones para la RL, se estimó la ARL y la SDRL,
repitiendo el proceso
p muchas veces hasta obtener un error estándar de la estimación de
la ARL (ESE = V ar(RL)/N donde N es el número de repeticiones realizadas) pequeño,
esta estimación se comparó con el valor de la ARL que puede ser calculado de manera teóri-
ca, pues, basta considerar que, si se denomina Y a la p longitud de corrida,
√
su distribución es
β
1
p
geométrica y se tiene ARL = E (Y ) = 1−β , SDRL = V ar (Y ) = 1−β = ARL(ARL − 1)

donde β = P LCL < X̄i < U CL = 1 − P (Ai ). Se encontró que en general cuando se usan
lı́mites estimados se aumenta la ARL y la SDRL, y que esta última tiende a ser mayor que
la ARL, indicando que se tendrá un gran número de corridas cortas entre falsas alarmas
balanceadas por otro número de corridas extremadamente largas.
En el mismo artı́culo, generaron 10000 observaciones de la longitud de corrida para m mues-

tras de tamaño 5 de una distribución N(µ, σ 2 ) manteniendo el proceso estable y se calcularon
algunos valores de la función de distribución empı́rica de la longitud de corrida. Mostran-
do la tendencia de las cartas con lı́mites estimados a dar falsas alarmas después de corridas
cortas y que a medida que se aumenta m se disminuye el porcentaje de dichas falsas alarmas.
Chen (1998) deduce la distribución de la RL para las cartas R, S y S 2 cuando los paráme-
tros son estimados, bajo la hipótesis de normalidad. Indicando que hasta ese punto poco
trabajo se habı́a hecho sobre el efecto de realizar estimaciones en los lı́mites de control sobre
el rendimiento de las cartas de este tipo. Estudió el comportamiento de la RL para diferen-
tes tamaños de muestras. Recordando que cuando la desviación es conocida la RL es una
variable aleatoria con distribución geométrica y con parámetro igual la probabilidad de una
señal fuera de control, nota que al utilizar lı́mites estimados las señalizaciones dejan de ser
independientes y la distribución de la RL deja de ser geométrica. Teniendo en cuenta lo an-
terior, encuentra una expresión para la función de distribución acumulada de la RL, estudia
dicha distribución para las cartas R, S bajo la hipótesis de normalidad y discute el efecto
de la estimación sobre dicha distribución considerando los resultados para los tamaños de
muestras más usados.
Para comparar las distribuciones de la RL para las cartas R, S y S 2 Chen (1998) utiliza
lı́mites probabilı́sticos de colas iguales, considerando que las densidades de U = R̄/(d2 σ) y
√
U = S̄/(c4 σ) son aproximadamente chi-cuadrados escaladas, de la forma cχ2ν / ν. Se grafi-
caron dichas funciones de distribución para lı́mites estimados contra las distribuciones del
RL con lı́mites conocidos (argumentando que la RL de las cartas R y S 2 se comportan de
forma similar, sólo se muestran los resultados para la s) concluyendo que las estimaciones
de σ tienden a producir una mayor probabilidad de señalización. Para disminuciones en la
varianza este efecto no es muy notable, pero para aumentos en la varianza el aumento en las
probabilidades de señalización se hace notable. En general el efecto se hace más pequeño a
medida que se aumentan m y n, siendo poco notable para m ≥ 75 y n=5.
Chen (1998) también evaluó la ARL y la SDRL para datos bajo control y datos fuera de
control, mostrándose que el efecto de la estimación es muy marcado al compararlo con el
caso σ conocido. Señaló que en general para procesos estables se reduce la ARL y la SDRL
y que se aumenta la ARL y la SDRL para procesos fuera de control. Ademas observó que
para n=5 y m=20 se tiene una gran diferencia entre la SDRL del proceso bajo control y la
3.3 Metodologı́a para Evaluar la Eficiencia de las Cartas de Control 25
misma fuera de control, lo que implica que estos tamaños de muestra, comúnmente usados
en la práctica, no son adecuados para construir cartas con lı́mites estimados, viéndose una
vez más que para los tamaños de muestra comúnmente recomendados el comportamiento de
las cartas dista de ser el esperado.
Chakraborti (2000) retoma la idea de evaluar el efecto sobre el rendimiento de la carta de la

estimación de los parámetros para el calculo de los lı́mites de control. Destaca que la distri-
bución de la RL deja de ser geométrica y que la ARL de la carta ya no puede ser calculada
como el reciproco de la FAR. Teniendo en cuenta esto se estudia el desempeño de la carta
X̄ en los diferentes escenarios: Cuando se conocen la media y la desviación estándar, cuando
sólo se conoce uno de los dos parámetros y cuando ambos parámetros son desconocidos.
Usando la distribución de la RL condicionada a un valor de los parámetros desconocidos se
encuentran formulas exactas para calcular la tasa de falsa alarma y la ARL probando que
en todos los casos el reciproco de la tasa de falsa alarma es una cota inferior de la ARL.
Construye los perfiles de la ARL de la carta en cada uno de los casos, encontrando que la
diferencia de comportamiento es muy notable al usar las estimaciones de los parámetros,
siendo más severo el efecto de estimar la varianza. Se resalta también que para lograr un
mejor desempeño en la carta se deben tomar más muestras de las comúnmente usadas (30
muestras de tamaño 5) al momento de calcular los lı́mites y se recomienda tomar más de
500 muestras de tamaño 5 para que el desempeño de la carta sea similar al de una carta con
lı́mites conocidos. Una afirmación interesante es que incluso después de corregir los valores
de la tasa de falsa alarma, no se puede calcular la ARL como su reciproco.
Maravelakis et al. (2002) evalúan la eficiencia de la carta S usando la ARL y la SDRL de

la misma. Para esto se realiza un estudio por simulación generando m muestras de tamaño
n y tomando valores de m = 5, 10, 20, 30, 50, 100, 200, 500, 1000 y n = 5, 10, 20, 50. En cada
caso, a partir de las muestras consideradas, se calculan los lı́mites de control y luego se ge-
neran muestras de tamaño n hasta obtener una señal fuera de control. Lo anterior se repite
10000 veces, obteniendo igual número de observaciones para la RL y con éstas se calcula
la ARL y la SDRL. Todo fue hecho para la carta S construida usando lı́mites 3σ y lı́mi-
tes probabilı́sticos. Evaluaron los casos bajo control, aumento en la dispersión y reducción
en la dispersión. Se concluye a partir de este estudio que el efecto de la estimación de los
parámetros en el desempeño de la carta es considerable y puede ser despreciado sólo para
un numero de subgrupos tan alto como m = 200 incluso para datos bajo control. También
concluyen que para detectar pequeñas disminuciones en la dispersión de los datos usando
pocos grupos con tamaños de muestra moderado (m ≤ 10, n = 5, 10) este tipo de cartas
no es la mejor alternativa. Además comparan la función de distribución empı́rica de la RL
con la que se esperarı́a que tuviera (geométrica), la idea de esta comparación es que entre
más parecidas sean las gráficas de las distribuciones empı́ricas a la gráfica de la distribución
teórica de la RL, mejor será el desempeño de la carta. Se concluye que al aumentar m la
carta se comporta de manera más parecida a la carta con lı́mites conocidos.
Albers y Kallenberg (2004a, 2004b) consideran el siguiente procedimiento para medir la

eficiencia de la carta: Estimar g(p) con g(Pm ) y comparar E[g(Pm )] con g(p) para las
funciones mas comunes: g(p) = p, g(p) = 1/p y g(p) = 1 − (1 − p)k , haciendo énfasis en que
1/p no resume por completo las propiedades de la ARL de la carta, debido a la existencia de
grandes valores de la RL. Como criterio para medir la cercanı́a de la aproximación se utiliza
que el error relativo esté acotado superiormente por un valor, por ejemplo 10 %, es decir
que |E(g(Pm ) − g(p))/g(p)| ≤ 0.1 y se busca el menor valor de m para el cuál se cumple
este criterio. Por simulaciones se estudia el comportamiento de las cartas construidas con las
correcciones propuestas. El estudio se realizó usando diferentes valores para el acotamiento
para cada una de las funciones mencionadas y 10,000 repeticiones. Mostrando que en caso
de no realizar correcciones a los lı́mites el número de muestras tomadas, m, debı́a ser mayor
a 300 en algunos casos y viéndose que el número de observaciones usualmente recomendados
de entre 20 y 30 es mucho menor que el necesario para obtener un comportamiento adecuado
para éstas cartas.
4. Análisis de la eficiencia de las
correcciones en cartas de control R y
S
4.1. El desempeño bajo control de las cartas R y S

tradicionales
Se ha discutido que el uso de lı́mites estimados afecta la eficiencia de las cartas R y S cons-
truidas con los lı́mites tradicionales, en el sentido de que, al usar estimaciones de los lı́mites,
se obtienen cartas cuyo comportamiento es diferente al de las cartas construidas con lı́mites
basados en los verdaderos parámetros de la distribución de los datos o la variable grafica-
da y al que esperarı́an los prácticos del control de calidad. Para mostrar esto, se replicó la
metodologı́a propuesta por Quesenberry (1993) y Maravelakis et al. (2002). De esta forma,
se evaluó vı́a simulación el comportamiento de la RL para cartas construidas con lı́mites
estimados, usando como criterio de eficiencia un valor para la ARL cercano a 370 o similar
al de la carta cuando los parámetros son conocidos. Para esto, se generaron 10,000 muestras
de la RL para cartas R y S con lı́mites estimados usando las ecuaciones (2-3) y (2-1) y R̄/d2
y S̄/c4 como estimadores de la desviación estándar respectivamente, para si obtener lı́mites
construidos con las recomendaciones usuales en dichas cartas. Las muestras se obtuvieron
para diferentes combinaciones del tamaño de muestra n y el número de muestras m usados
para estimar los lı́mites. Ası́, tanto para la carta R como para la carta S, se generaron m
muestras de tamaño n de observaciones con distribución normal estándar, a partir de estos
se calcularon los lı́mites de control y luego se generaron datos con la misma distribución
hasta que alguno se saliera de los lı́mites de control. Con esto se logra una observación de la
RL bajo control para una carta.
Replicando el anterior procedimiento de generar observaciones de una distribución normal

estándar para calcular los lı́mites y luego evaluar la RL, se generaron 10,000 observaciones
de la RL para datos bajo control y se procedió a calcular la ARL y el error estándar de
la estimación de la ARL, ESE(ARL), para la muestra obtenida. El cálculo de la ARL
y el ESE(ARL) se repitió hasta obtener un valor del ESE(ARL) relativamente pequeño
(menor al 3 % del valor de la ARL), conservando la observación de la ARL con el menor
28 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
ESE(ARL). Pero en algunos casos, para valores de m y n pequeños, no se logró obtener un

ESE(ARL) menor al 3 % del valor de la ARL, razón por la cuál se realizó el procedimiento
100 veces y se conservó la observación de la ARL con el menor ESE(ARL). Todo lo anterior se
realizó por medio de un algoritmo (Mostrado en los anexos A.1 y A.2) basado en el lenguaje
de programación del paquete de software estadı́stico R versión 2.12.1.1
Tabla 4-1.: ARL y ESE(ARL) para la carta R con lı́mites tradicionales.

Tamaño de muestra (n)
Número de 5 10 20 50 80 100
muestras (m) ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE
5 12129.44 4162.19 9277.38 2913.38 927.52 171.89 294.19 13.82 261.71 12.84 244.38 12.07
10 703.22 51.44 485.58 11.44 323.48 5.66 262.12 3.95 241.85 3.52 236.96 3.43
20 490.40 49.44 341.70 5.95 278.27 4.04 234.47 3.09 221.85 2.83 210.80 2.78
30 321.07 18.67 300.37 4.56 258.32 3.51 228.84 2.87 212.58 2.56 208.79 2.56
50 271.48 13.70 267.01 3.57 241.83 2.96 211.70 2.49 207.6 2.37 200.28 2.27
100 249.02 12.06 241.98 2.81 231.15 2.56 205.43 2.23 198.21 2.15 190.44 2.01
200 233.53 8.08 238.77 2.55 225.42 2.39 202.02 2.06 192.66 1.96 188.76 1.96
500 226.59 7.23 233.15 2.35 219.91 2.24 197.41 2.00 191.68 1.94 186.35 1.94
1000 209.10 6.78 229.23 2.29 218.93 2.21 196.73 2.00 190.81 1.92 184.37 1.84
Tabla 4-2.: ARL y ESE(ARL) para la carta S con lı́mites tradicionales.

Tamaño de muestra (n)
Número de 5 10 20 50 80 100
muestras (m) ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE ARL ESE
5 38719.32 28862.62 649.17 11.39 336.52 4.62 270.85 3.30 253.75 3.01 248.63 2.94
10 2130.55 408.09 554.17 9.65 373.10 4.77 301.96 3.47 296.09 3.39 291.98 3.27
20 550.45 16.95 474.88 7.53 366.50 4.40 333.19 3.66 324.05 3.46 324.29 3.38
30 425.88 9.24 428.62 6.19 375.60 4.32 341.13 3.68 339.20 3.54 339.74 3.53
50 343.59 5.57 396.99 5.18 366.84 4.12 355.23 3.72 351.83 3.63 348.84 3.62
100 293.43 3.60 368.21 4.43 366.74 3.98 362.37 3.76 358.59 3.66 354.59 3.57
200 274.69 3.07 350.23 3.81 361.70 3.76 362.89 3.70 359.46 3.56 362.62 3.68
500 264.79 2.78 345.61 3.60 367.39 3.76 369.43 3.70 365.66 3.67 370.23 3.65
1000 257.32 2.65 333.97 3.38 360.55 3.66 364.68 3.63 372.50 3.78 371.75 3.74
En la tablas 4-1 y 4-2 se presentan los valores de la ARL y el ESE(ARL) obtenidos con
la anterior metodologı́a, para la carta R y la carta S respectivamente. Se observa que en la
mayorı́a de los casos al aumentar el tamaño de muestra (n) se tiene una disminución pro-
gresiva, tanto en los valores de la ARL, como en los del ESE(ARL) para todos los números
1
R Development Core Team (2010). R: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org.
4.1 El desempeño bajo control de las cartas R y S tradicionales 29
de muestras (m) usados en la fase I.
A partir de lo visto en las tablas anteriores se puede determinar que las estimaciones en los
parámetros afectan de manera notable el desempeño bajo control de las cartas R y S, más
aún cuando las estimaciones de los parámetros se hacen basándose en un número reducido
de muestras y tamaños de muestra pequeño. Pues estos valores para la ARL distan en la
mayorı́a de los casos del valor nominal de 370, que se esperarı́a para las cartas tradicionales
construidas con lı́mites 3σ. Se puede observar que para números y tamaños de muestra pe-
queños los valores de la ARL son demasiado altos, además la RL tiene una gran variación,
pues el ESE también es alto.
En los estudios realizados por Quesenberry (1993) y Maravelakis et al. (2002), se observó un
comportamiento similar al anterior para las cartas X, X̄ y se notó que para éstas últimas
cartas al aumentar tanto el tamaño de muestra, ası́ como el número de muestras tomadas
para calcular los lı́mites se mejora el desempeño de la carta, ya que los valores de la ARL
se estabilizan y se acercan cada vez más a 370, permitiendo recomendar el uso de ciertos
tamaños y números de muestras para construir cartas de control, con lı́mites estimados con
un buen desempeño. Pero, el comportamiento de la ARL observado en las tablas 4-1 y 4-2
no concuerda totalmente con lo visto en dichos estudios, pues aunque al aumentar los ta-
maños y números de muestras usadas para construir las cartas se disminuyen los valores de
la ARL y también el ESE(ARL) disminuye notablemente, mostrando mayor precisión en
tal estimación, la disminución de la ARL se observa en muchos casos hasta valores menores
que 370. Indicando que incluso después de aumentar el número de muestras o el tamaño
de muestras usados en la construcción de los lı́mites, se obtienen cartas R y S con lı́mites
tradicionales con un comportamiento diferente del que se esperarı́a para estas cartas debido
a su filosofı́a de construcción. Lo anterior puede entenderse al considerar que la distribución
de los estadı́sticos usados para construir la carta no es la normal y por tanto no se deberı́a
obtener ARL = 370 para la carta. Es más, usando la misma metodologı́a se pudo estimar
el valor de la ARL con su respectivo ESE (mostrado en paréntesis) en 219.31 (2.16) con
n = 5 y 186.31 (1.85) con n = 100 para la carta R, ası́ como, en 257.21 (2.53) con n = 5 y
en 367.79 (3.61) con n = 100 para la carta S (notar que este último valor es muy cercano
a 370, pero inferior al valor obtenido en la tabla 4-2), cuando las cartas son construidas
considerando los verdaderos valores de los parámetros de la distribución. Lo anterior hace
pensar que esperar un valor para la ARL cercano a 370 para la carta R construida con lı́mites
estimados, está muy alejado de lo que realmente ocurre con los valores de la ARL para la
carta R con parámetros conocidos. Un valor objetivo mas adecuado para la ARL, de acuerdo
a lo observado en este estudio, podrı́a ser cercano a 200.
Se observa que el efecto de la estimación de los lı́mites es muy notable en la carta R, donde
se observa una disminución de los valores de la ARL al aumentar el número de muestras
usadas en dicha estimación. Pero sólo se obtienen valores de la ARL cercanos a los valores
219.31 y 186.31 usando un número de muestras muy grande y más aún, el valor de la ARL
alcanza a tomar valores inferiores a los nominales y tiende a estabilizarse al aumentar el
numero de muestras usadas en la estimación de los limites, lo que hace pensar que si se
sigue aumentando el número de muestras, se obtendrán valores de la ARL más pequeños
que los nominales y con poca variabilidad, en efecto al usar 5000 muestras de tamaño 5, se
estimó el valor de la ARL en 216.89 (2.13), que sigue siendo un valor inferior al de la carta
con limites conocidos (219.31). En la carta S, también se observa el efecto de la estimación.
Se tiene que al aumentar en gran medida el número de muestras usadas en la estimación de
los lı́mites, el valor de la ARL cambia, llegando a tomar valores cercanos a los nominales.
Al observar la tendencia de los valores de la ARL a medida que se aumenta el numero de
muestras consideradas en la estimación de los limites, parece que al aumentar por encima
de 1000 el número de muestras se pueden alcanzar los valores de 257.21 y 367.79, pero esto
no tendrı́a sentido desde el punto de vista práctico.
Lo anterior no permite recomendar el uso de cartas R y S con lı́mites estimados construidos

con las ecuaciones (2-3) y (2-1), ni siquiera cuando se tengan grandes cantidades de datos
para realizar las estimaciones de los lı́mites en la fase I. Maravelakis et al. (2002) evaluaron
el desempeño de la carta S y sus resultados muestran el mismo comportamiento bajo control
de esta carta y restando importancia a la obtención de valores de la ARL inferiores a 370,
dan recomendaciones de valores mı́nimos para n y m que garantizan un comportamiento
apropiado. Lo cuál a la luz de este estudio no es muy conveniente, a menos que se usen
valores extremadamente altos de m y n. Es de resaltar el mal comportamiento de la carta
para los casos m = 25, n = 5 y m = 30, n = 5, que, como se comentó anteriormente, son los
más usados en la practica.
Estos resultados, de valores inferiores al valor nominal para la ARL concuerdan con los obte-
nidos por Khoo y Lim (2005) para la carta R y por Jarrett y Pan (2008) para ambas cartas.
Pero en ninguno de los dos artı́culos se hace referencia a que el aumento en la cantidad
de muestras usadas en la construcción de los lı́mites de la carta mejora el comportamiento
de la misma, pero nunca se alcanza el comportamiento esperado (o por lo menos nunca lo
alcanzará para la carta R y para que lo alcance en la carta S los valores de m y n deben ser
demasiado altos). Los resultados del estudio de Chen (1998), donde realizó un trabajo similar
para cartas R y S construidas con lı́mites probabilisticos, muestran que cuando se corrigen
los lı́mites de acuerdo a la distribución real de los estadı́sticos asociados a la varianza de los
datos, el comportamiento de la carta es muy superior al de la carta con lı́mites tradicionales,
en el sentido que se comportan de manera más similar a las cartas con lı́mites conocidos.
4.2 Algunas modificaciones a los lı́mites 31
4.2. Algunas modificaciones a los lı́mites

Como se vio en la sección 3.2, se han propuesto muchos esquemas, metodologı́as y criterios
de desempeño para desarrollar correcciones a las cartas de control, sobre todo para las cartas
X, X̄, R, S y S 2 . En muchos de los artı́culos referenciados se presentan tablas con los lı́mites
a usar o las correcciones que se deben hacer a los factores que se multiplican a la estimación
de la desviación estándar para calcular tradicionalmente los lı́mites 3σ en dichas cartas. En
las tablas 4-3 y 4-4 se muestran algunas de las correcciones propuestas para cartas de control
R y S, para lı́mites calculados a partir de 20 o 30 muestras de tamaño 5. Estas correcciones
se desarrollaron y evaluaron en los artı́culos en que se proponen usando diferentes criterios
y como puede observarse existen diferencias notables entre las propuestas de los diferentes
autores.
Tabla 4-3.: Algunas correcciones propuestas para la carta R
Número de muestras (m)
20 30
Artı́culo donde se propone
LCL UCL LCL UCL
Acosta-Mejia y Pignatiello Jr. (2008) 0.4484 5.7128 0.4484 5.7128

0.283 5.798 0.283 5.798
Khoo y Lim (2005) 0.1318 0.9882 0.1318 0.9882
Jarret y Pan (2009) 0 2.126R̄ 0 2.148R̄
Human et al. (2010) 0.1720R̄ 2.2800R̄ 0.1530R̄ 2.3550R̄
0.1140R̄ 2.5120R̄ 0.1050R̄ 2.5770R̄
Hamada (2003) 0.097R̄ 2.932R̄ 0.150R̄ 2.658R̄
Tabla 4-4.: Algunas correcciones propuestas para la carta S
Número de muestras (m)
20 30
artı́culo donde se propone
LCL UCL LCL UCL
Klein (2000) 0.2027 2.1941 0.2027 2.1941

0.1786 2.0603 0.1786 2.0603
0.4096 1.5599 0.4096 1.5599
Jarret y Pan (2009) 0 2.064S̄ 0 2.089S̄
Human et al. (2010) 0.1720S̄ 2.2180S̄ 0.1560S̄ 2.2860S̄
0.1060S̄ 2.4220S̄ 0.1050S̄ 2.4840S̄
Hamada (2003) 0.149S̄ 2.662S̄ 0.153S̄ 2.577S̄
Se observa que se proponen dos tipos de correcciones, unas con lı́mites definidos en valores
fijos, establecidos usando diferentes metodologı́as, tal y como se muestra en la sección 3.2 en
cada caso y otras con lı́mites que dependen de la media de las observaciones de los estadı́sticos
a graficar en la carta. El primer tipo de éstas evita la necesidad de calcular los lı́mites de
control a partir de una muestra inicial, lo que obviamente elimina la necesidad de la Fase I,
con lo cuál el esquema de control de calidad se simplifica a sólo monitoreo en linea.
4.3. Comparación de la eficiencia de las correcciones

Siguiendo la propuesta presentada en Chakraborti (2007) se evaluará la eficiencia de una
carta de control con base en los percentiles de la RL para la misma. Como se pretende com-
parar varias propuestas de correcciones para las cartas, se usaran los PD-Plots, propuestos
en Radson y Boyd (2005), resultantes al obtener los percentiles de la RL para cada una de
las correcciones presentadas en las tablas 4-3 y 4-4, para de esta forma poder realizar una
comparación más simple.
Como ya se discutió con anterioridad, teniendo en cuenta los principios manejados por los
prácticos del control estadı́stico de calidad, se espera que una buena carta de control para
la variabilidad se comporte de la siguiente manera:
a) Para datos bajo control genere en la mayorı́a de los casos valores altos de la RL,
preferiblemente cercanos a 370. Aunque ya se mostró que este valor de referencia no
es el mas adecuado principalmente en la carta R y en general se deben esperar valores de
la RL inferiores a 370.
b) Para aumentos en la dispersión se reduzcan sustancialmente los valores de la RL, de tal

forma que el cambio pueda ser detectado lo más rápidamente posible.
c) Para datos que presenten una disminución de la dispersión se obtengan valores mucho más
bajos de la RL que para el caso bajo control, pero teniendo en cuenta que la distribución
empı́rica de la RL bajo control es muy sesgada a la derecha, es más difı́cil para la carta
detectar disminuciones en la dispersión que aumentos en la misma, razón por la cual se
esperan valores un poco mas altos para la RL para disminuciones que para aumentos en
la dispersión.
De lo anterior se puede esperar observar la siguiente forma para los PD-plots de una carta
de control eficiente:
a) Para datos bajo control, percentiles altos y cercanos; la linea que une a los percentiles 75°
con el 95° debe ser relativamente corta, al igual que la que une al 5° con el 25°, mostrando
la existencia de pocos outliers. Aunque por ser la distribución de la RL sesgada a la
derecha la linea superior es más larga.
4.3 Comparación de la eficiencia de las correcciones 33
b) Para datos que presenten un cambio en la dispersión, las lineas dibujadas a la altura del
25° percentil y del 50° deben ser más largas y dichos percentiles deben estar ubicados lo
más bajo posible (indicando la existencia de muchos valores bajos para la RL). Además,
la linea que une al 75° con el 95° debe ser corta y la linea vertical inferior debe ser lo más
larga posible.
c) Para el caso de disminución en la dispersión se deben tener percentiles un poco más altos
que para el caso de aumento en la dispersión, haciendo que los percentiles mostrados en
el PD-plot estén ubicados un poco más alto.
Teniendo en cuenta lo comentado sobre la forma esperada, se grafican los PD-Plots corres-
pondientes a las distribuciones de la RL para cada una de las correcciones listadas en las
tablas 4-3 y 4-4, en cada una de las condiciones de interés: Datos bajo control (es decir
con la misma distribución que los datos usados para calcular los lı́mites de control), datos
provenientes de una distribución con varianza inferior a la varianza de los datos con que se
calcularon los lı́mites de control (caso disminución en la dispersión) y datos con va-
rianza mayor que la de los datos con que se calcularon los lı́mites (caso aumento en la
dispersión).
La metodologı́a de simulación utilizada en este estudio concuerda con la usada por

Quesenberry (1993), Chen (1998) y Hamada (2003), entre otros. Para calcular la distribución
de la RL de la carta primero se generan 20 o 30 muestras de tamaño 5 de una distribución
normal estándar, N (0, 1), y con ésta se calculan los lı́mites de control para las cartas R y S,
usando los factores de corrección que se encuentran en las tablas 4-3 y 4-4. Luego se procede
de manera análoga a como se hizo en la sección anterior y se genera una muestra de 10,000
observaciones de la RL de la carta. Con éstas muestras, se procede a graficar los PD-Plots
correspondientes y posteriormente, con base en dichos PD-Plots, se hacen las comparaciones
de la eficiencia de las diferentes correcciones.
De igual manera se procede para los casos fuera de control, con la diferencia, que para el caso
disminución en la dispersión, los datos generados después de calcular los lı́mites de control
provienen de una distribución N (0, 0.92 ) y para el caso aumento en la dispersión, se generan
datos con distribución N (0, 1.12 ).
Ası́, se diseñó un algoritmo basado en el lenguaje de programación estadı́stico R, que:

1) Genera 20 o 30 muestras aleatorias de tamaño 5 de datos con distribución N (0, 1).
2) Calcula los lı́mites de control de la carta usando las diferentes correcciones.
3) Genera 20 o 30 muestras aleatorias de tamaño 5 de datos con distribución N (0, 1) en el

caso bajo control, N (0, 0.92 ) en el caso disminución en la dispersión o N (0, 1.12 ) en el
caso aumento en la dispersión.
4) Comparando los estadı́sticos obtenidos en las muestras con los lı́mites de control, obtiene
10,000 observaciones de la RL para cada carta, generandose ası́ una muestra de la RL.
5) Basándose en las observaciones anteriores, calcula la función de distribución empı́rica

para la RL y a partir de esta distribución encuentra los percentiles 5°, 25°, 50°, 75° y 95°
de la RL.
6) Obtiene la probabilidad observada para cada percentil de la RL.
7) Escoge teniendo en cuenta todos los valores de los percentiles y probabilidades obtenidas
los más adecuados para usar como escala en la graficación de los PD-plot.
8) Grafica los PD-plots para las diferentes correcciones propuestas en cada caso.
Este algoritmo se muestra en los anexos A.3, A.4 y A.5.
Se implementó el algoritmo anteriormente descrito en el software estadı́stico R versión

2.12.1 obteniendo las gráficas respectivas, tanto para la carta R, como para la carta S, en
cada uno de los tres casos. En las figuras 4-3 a 4-14 se presentan las gráficas obtenidas.
Estando los PD-Plot, correspondientes a cada una de las propuestas de corrección, ordena-
dos de igual forma que en las tablas 4-3 y 4-4. Como un dato de referencia, debajo de cada
PD-Plot, se encuentra del valor de la ARL para cada una de las correcciones. Puesto que
se evalúan dos tipos de correcciones para cada carta, se discutirá la eficiencia de cada tipo
por separado y luego se determinara con cuál tipo de carta (con lı́mites fijos o lı́mites que
dependen de la media del estadı́stico monitoreado) se obtiene un mejor desempeño para la
carta.
Es necesario tener en cuenta el comportamiento de los estadı́sticos R y S en los tres casos

estudiados. Para esto se generan 10,000 observaciones para estos estadı́sticos en cada uno
de los casos de interés. En las figuras 4-1 y 4-2 se muestran los histogramas de cada una
de las muestras obtenidas. En estas figuras se puede observar que, en ambos casos, para el
cambio de ±0, 1 en la desviación estándar, se presentan diferencias visibles en la forma de
la distribución del estadı́stico. Pero, cuando se establece un intervalo que cubra una alta
proporción de las observaciones bajo control, y se observa la proporción de las observaciones
fuera de control cubiertas por el mismo intervalo, las diferencias, a pesar de ser observables,
son pequeñas con relación al caso bajo control. La proporción cubierta por el intervalo es
menor en el caso aumento en la dispersión y un poco mayor en el caso aumento en la
dispersión, pero en ambos casos es inferior a la obtenida en el caso bajo control. De esta
forma, aunque el comportamiento esperado para las cartas debe ser observable, no se deben
esperar grandes diferencias entre los PD-plots para los casos bajo control y fuera de control
para un cambio pequeño en la dispersión.
Histograma Bajo Control

700
600
500
Frecuencia
400
300
200
100
0
0 1 2 3 4 5 6 7
Rango
Histograma Aumento en la Dispersión

600
500
400
Frecuencia
300
200
100
0
0 1 2 3 4 5 6 7 8
Rango
Histograma Disminución en la Dispersión

800
700
600
500
Frecuencia
400
300
200
100
0
0 1 2 3 4 5 6
Rango
Figura 4-1.: Distribución empı́rica del rango muestral en los tres casos de interés.
Histograma Bajo Control

700
600
500
Frecuencia
400
300
200
100
0
0.0 0.5 1.0 1.5 2.0 2.5
Desviación Estándar
Histograma Aumento en la Dispersión

700
600
500
400
Frecuencia
300
200
100
0
0.0 0.5 1.0 1.5 2.0 2.5

Histograma Disminución en la Dispersión

100 200 300 400 500 600 700 800
Frecuencia
0.0 0.5 1.0 1.5 2.0 2.5

Figura 4-2.: Distribución empı́rica de la desviación estándar muestral en los tres casos de
interés.
4.3.1. Eficiencia de las correcciones para la carta R

De los PD-Plots mostrados en la figura 4-3 se puede observar que para el caso bajo control,
m=20, la corrección con lı́mites fijos que tuvo un mejor desempeño de acuerdo a lo esperado
fue la primera de las propuestas por Acosta-Mejia y Pignatiello Jr. (2008) (LCL=0.4484,
UCL=5.7128). Esto puesto que el PD-Plot correspondiente a la misma (el primero) tiene
lineas horizontales superiores más largas que el tercero que es el más similar a éste, indicando
que, con dicha corrección, se obtiene mayor probabilidad de obtener valores mayores para la
RL. El segundo PD-Plot esta muy alto, indicando poca probabilidad de falsa alarma, pero
estos valores superan en su gran mayorı́a al valor de referencia de 370 y estos valores de
la RL tan altos se pueden seguir presentando para datos fuera de control lo que no serı́a
adecuado.
10000
9500
9000
8500
8000
7500
7000
Longitud de corrida (RL)
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
ARL ARL ARL ARL ARL ARL ARL
371.44 1338.17 370.07 457.22 296.46 1440.18 5303.8
LCL 0.4484 0.283 0.1318 0 0.1720R 0.1140R 0.097R
UCL 5.7128 5.798 0.9882 2.126R 2.2800R 2.5120R 2.932R
Figura 4-3.: PD-Plots carta R, m=20 y datos bajo control, separación marcas 0.0006
De las correcciones con lı́mites dependientes de la media la de mejor desempeño fue la prime-
ra de las propuestas por Human et al. (2010) (LCL=0.1720R̄, UCL=2.28000R̄), pues, aunque
el PD-Plot correspondiente a la misma (el quinto) esta un poco bajo, presenta valores de
la RL relativamente altos, con cierta probabilidad de tener valores para la RL cercanos a
370 ademas de muy pocos valores demasiado altos (observables en la lı́nea vertical superior
no tan extremadamente larga), el cuarto PD-Plot está demasiado bajo presentando gran
cantidad de valores atı́picos muy altos, lo que se deduce del largo de la linea vertical su-
perior, además muestra una mayor probabilidad de alcanzar el percentil 25°que el quinto
PD-Plot. Las correcciones que generan el sexto y el séptimo PD-Plot producen valores de la
RL demasiado altos, indicando gran cantidad de valores de la RL mayores que el esperado
(aproximadamente 370), lo que se podrı́a traducir en dificultad para generar señales en los
7000
estados fuera de control.
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
369.63 1338.17 370.07 417.43 487.82 2175.1 947.23
LCL 0.4484 0.283 0.1318 0 0.1530R 0.1050R 0.150R
UCL 5.7128 5.798 0.9882 2.148R 2.3550R 2.5770R 2.658R
Figura 4-4.: PD-Plots carta R, m=30 y datos bajo control, separación marcas 0.0005
De manera análoga se puede ver de la figura 4-4 que, por argumentos similares a los an-
teriores, para m = 30, las correcciones propuestas (con PD-plots graficados en las mismas
posiciones) por los mismos autores son nuevamente las de un mejor desempeño. El desempeño
de la corrección propuesta por Jarrett y Pan (2008) (LCL=0 , UCL=2.148R̄), correspon-
diente al cuarto PD-Plot, se ve afectado por el largo de la lı́nea horizontal inferior. Cabe
destacar que para este caso el mejor desempeño se tuvo con correcciones de lı́mites fijos.
Continuando con la discusión anterior, para el caso aumento en la dispersión con m=20, de la
figura 4-5, se concluye que de entre las correcciones con lı́mites fijos la de mejor desempeño
es la propuesta por Khoo y Lim (2005) (LCL=0.1318, UCL=0.9882), correspondiente al ter-
cer PD-Plot, aunque el desempeño de la propuesta por Acosta-Mejia y Pignatiello Jr. (2008)
(LCL=0.4484, UCL=5.7128), correspondiente al primer PD-Plot serı́a aceptable. De igual
forma, de entre las correcciones con lı́mites dependientes de la media sobresale el desem-
peño de la mostrada en el cuarto PD-Plot, propuesta en Jarrett y Pan (2008) (LCL=0,
UCL=2.126R̄), siguiéndole en orden de eficiencia la corrección propuesta por Human et al.
(2010) (LCL=0.1720R̄, UCL=2.2800R̄) correspondiente al quinto PD-Plot. En este caso el
mejor desempeño se obtuvo con una carta con lı́mites dependientes de la media. Ası́ mismo,
de la figura 4-6 se determina que para m=30, las correcciones con mejor desempeño son las
mismas identificadas en la discusión anterior para el caso m=20. Siendo igualmente superior
el desempeño de la corrección dependiente de la media.
8000
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
268.76 475.66 179.14 124 173.91 950.79 4193.38
LCL 0.4484 0.283 0.1318 0 0.1720R 0.1140R 0.097R
UCL 5.7128 5.798 0.9882 2.126R 2.2800R 2.5120R 2.932R
Figura 4-5.: PD-Plots carta R, m=20 y aumento en la dispersión, separación marcas 0.0015
Para el caso disminución en la dispersión, de la figura 4-7, se puede determinar, para m = 20,
la eficiencia superior de las correcciones propuestas por Acosta-Mejia y Pignatiello Jr. (2008)
(LCL=0.4484, UCL=5.7128), mostrada en el primer PD-plot, para lı́mites fijos y por Human
et al. (2010) (LCL=0.1720R̄, UCL=2.2800R̄), mostrada en el quinto PD-plot, para lı́mites
que dependen de la media. De igual forma en la figura 4-8 se observa que, para m = 30, nue-
vamente el desempeño de la corrección propuesta por Acosta-Mejia y Pignatiello Jr. (2008)
(LCL=0.4484, UCL=5.7128) se destaca entre todos. Puesto que todos los PD-Plots corres-
pondientes a las correcciones de lı́mites dependientes de la media estan demasiado altos,
ninguna de estas muestra el comportamiento esperado. La más cercana es la propuesta por
Human et al. (2010) (LCL=0.1530R̄, UCL=2.3550R̄), que se observa en el quinto PD-Plot,
pero los percentiles de ésta toman valores más altos de lo admisible ya que, al menos el 25°
y el 50° debı́an ser mucho menores que 370. Se observa incluso que el 95° está cercano a
2000, indicando que se presentan muchos valores de la RL muy superiores al valor de re-
ferencia. Para este caso el mejor desempeño se presentó en cartas construidas con lı́mites fijos.
4000
40 3800 4 Análisis de la eficiencia de las correcciones en cartas de control R y S
3600
3400
3200
3000
2800
2600
2400
2200
2000
1800
1600
1400
1200
1000
800
600
400
200
0
267.1 475.66 179.14 119.93 256.06 1030.09 740.08
LCL 0.4484 0.283 0.1318 0 0.1530R 0.1050R 0.150R
UCL 5.7128 5.798 0.9882 2.148R 2.3550R 2.5770R 2.658R
Figura 4-6.: PD-Plots carta R, m=30 y aumento en la dispersión, separación marcas 0.0015
14000
13000
12000
11000
10000
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
296.48 1712.73 510.43 2845.08 362.93 1839.95 4602.11
LCL 0.4484 0.283 0.1318 0 0.1720R 0.1140R 0.097R
UCL 5.7128 5.798 0.9882 2.126R 2.2800R 2.5120R 2.932R
Figura 4-7.: PD-Plots carta R, m=20 y reducción en la dispersión, separación marcas 0.0005
Teniendo en cuenta la eficiencia global (al considerar los tres casos simultáneamente) de las
cartas obtenidas con cada una de las correcciones propuestas se observa que:
a) La corrección dada por Acosta-Mejia y Pignatiello Jr. (2008); LCL=0.4484, UCL=5.7128,

es la que presenta un mejor desempeño global de entre todas. Pues es la que muestra un
comportamiento más similar al deseado para la carta, ya que, para datos bajo control
la RL se mantiene cercana a 370, para datos con aumento en la dispersión los valores
de la RL disminuyen notablemente y para disminución en la dispersión los valores de
la RL aumentan nuevamente, pero manteniéndose muy por debajo de 370, que como
ya se discutió anteriormente es el comportamiento esperado desde el punto de vista
práctico de una buena carta de control para la variabilidad. El comportamiento de la carta
obtenida con la corrección propuesta por Khoo y Lim (2005) LCL=0.1318 y UCL=0.9882,
correspondiente al tercer PD-Plot, a pesar de ser de las mejores para detectar incrementos
en la dispersión y de ser apropiado en el caso bajo control, muestra baja capacidad para
detectar disminuciones en la dispersión. Esto ya que se observa en las figuras 4-7 y 4-8
que el PD-Plot correspondiente muestra valores de la RL superiores a 1000, viéndose, de
las dos lı́neas horizontales superiores, alta probabilidad de obtener valores altos para la
RL. Además, al comparar esto con lo visto en las figuras 4-3 y 4-4, donde se observa que
los valores de la RL para el caso bajo control son casi en su totalidad inferiores a 1000 (e
incluso a 500, más notable en la figura 4-4). Se puede concluir que la carta construida con
9500
esta corrección tiende a producir valores mayores para la RL en el caso disminución en
9000
la dispersión que para el caso bajo control, lo cual difiere de lo esperado en este estudio.
8500
8000
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
296.16 1712.73 510.43 2437.18 607.16 2728.66 810.94
LCL 0.4484 0.283 0.1318 0 0.1530R 0.1050R 0.150R
UCL 5.7128 5.798 0.9882 2.148R 2.3550R 2.5770R 2.658R
Figura 4-8.: PD-Plots carta R, m=30 y reducción en la dispersión, separación marcas 0.0005
b) Es importante tener en cuenta la alta efectividad de la corrección LCL=0, UCL=2.126R̄

propuesta por Jarrett y Pan (2008) para detectar aumentos en la dispersión, pero su
tendencia a producir observaciones demasiado altas para la RL en el caso reducción en la
dispersión, hace que su uso sea poco recomendable, por lo menos para este caso particular.
Una explicación para esto es que el lı́mite inferior cero, reduce la capacidad de esta carta
para detectar disminuciones en la dispersión. El aumento en la probabilidad de producir
corridas por encima de 370 que se presenta en el caso disminución en la dispersión para la
corrección LCL=0.1720R̄, UCL=2.2800R̄ propuesta en Human et al. (2010), hace que su
uso no sea tan recomendable. Pero en caso de tener la necesidad de usar una corrección en
la que se calculen los lı́mites de control a partir de una muestra inicial se podrı́a utilizar
la misma, teniendo en cuenta que para disminuciones en la dispersión, la reducción en la
longitud de corrida no sera tan notable.
c) Un comportamiento interesante lo muestra la corrección LCL= 0.097R̄, UCL=2.932R̄

propuesta por Hamada (2003), pues, a pesar de producir corridas demasiado largas, esta
tiende producir valores más bajos para la RL en el caso aumento en la dispersión, que en el
caso reducción en la dispersión y muestra valores mucho más altos en el caso bajo control.
El inconveniente con la misma es que la longitud de corrida generalmente toma valores
entre 1000 y 7000, valores para nada aceptables en los procesos productivos modernos,
pues se quiere detectar los cambios en la dispersión lo más rápido posible. Esta corrección
presenta el mismo inconveniente mencionado anteriormente en el caso m=30.
d) Para m=30 la corrección que muestra un mejor comportamiento global entre las estu-
diadas, también es la propuesta por Acosta-Mejia y Pignatiello Jr. (2008) (LCL=0.4484,
UCL=5.7128). En este caso las correcciones con lı́mites que dependen de la media tienen
menor eficiencia para detectar disminuciones en la dispersión.
De todo lo anterior se concluye que para construir cartas R con un comportamiento similar
al esperado en la práctica es preferible usar los lı́mites LCL=0.4484, UCL=5.7128 y por
tanto no es necesario estimar los lı́mites de control a partir de muestras iniciales. Si aún se
desea estimar los lı́mites en una Fase I, una corrección relativamente adecuada se obtiene al
usar los lı́mites LCL=0.1720R̄, UCL=2.2800R̄ cuando se usen 20 muestras de tamaño 5. No
se recomienda el uso de ninguna de las correcciones propuestas cuando se usen 30 muestras
de tamaño 5 para estimar los lı́mites.
4.3.2. Eficiencia de las correcciones para la carta S

Siguiendo la metodologı́a anterior, se hace una discusión breve de los resultados obtenidos
para las correcciones propuestas a los lı́mites para la carta S.
Para datos bajo control y m=20, de acuerdo a los PD-Plots vistos en la figura 4-9, el com-
portamiento de las tres correcciones con lı́mites fijos propuestas por Klein (2000) es similar,
siendo un poco mejor el de la corrección LCL=0.4096, UCL=1.5599, correspondiente al ter-
cer PD-Plot, puesto que con esta la RL presenta la menor probabilidad de tener valores
inferiores a 370 y al mismo tiempo tiene poca probabilidad de resultar en valores demasiado
superiores a 370. La corrección propuesta por Jarrett y Pan (2008) (LCL=0, UCL=2.064S̄)
es muy sesgada a la derecha, mostrando tendencia a producir valores muy altos para la RL.
Se asigna un mejor desempeño entre las correcciones con lı́mites que dependen de la media
del estadı́stico a la propuesta de Human et al. (2010) (LCL=0.1720S̄, UCL=2.2180S̄), ya
que 6000
en su PD-Plot (el quinto) se observa menor tendencia de la carta a producir valores
demasiado pequeños para la RL.
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
256.07 256.05 255.35 432.09 303.11 1729.15 1117.96
LCL 0.2027 0.1786 0.4096 0 0.1720S 0.1060S 0.149S
UCL 2.1941 2.0603 1.5599 2.064S 2.2180S 2.4220S 2.662S
Figura 4-9.: PD-Plots carta S, m=20 y datos bajo control, separación marcas 0.0007
De igual forma a partir de la figura 4-10, para m=30, se observa un comportamiento similar
para el desempeño de las correcciones para datos bajo control. De entre las de lı́mites de-
pendientes de la media, la corrección LCL=0.1560S̄, UCL=2.2860S̄, propuesta por Human
et al. (2010) y mostrada en el quinto PD-Plot, presenta un comportamiento más similar
al esperado. Aunque la corrección LCL=0, UCL=2.089S̄, dada por Jarrett y Pan (2008) y
mostrada en el cuarto PD-Plot, también tiene un comportamiento adecuado, tiene mayor
probabilidad de producir valores bajos para la RL.
El mejor desempeño en este caso fue mostrado por una carta con lı́mites calculados a partir
de un grupo de muestras iniciales.
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
256.07 256.05 255.35 410.65 479.36 2284.31 897.63
LCL 0.2027 0.1786 0.4096 0 0.1560S 0.1050S 0.153S
UCL 2.1941 2.0603 1.5599 2.089S 2.2860S 2.4840S 2.577S
Figura 4-10.: PD-Plots carta S, m=30 y datos bajo control, separación marcas 0.0006
3200
3000
2800
2600
2400
2200
2000
1800
1600
1400
1200
1000
800
600
400
200
0
186.05 117.98 118.42 115.39 169.34 791.75 717.17
LCL 0.2027 0.1786 0.4096 0 0.1720S 0.1060S 0.149S
UCL 2.1941 2.0603 1.5599 2.064S 2.2180S 2.4220S 2.662S
Figura 4-11.: PD-Plots carta S, m=20 y aumento en la dispersión, separación marcas 0.002
De la figura 4-11, se observa, en el caso aumento en la dispersión, para m=20, que, entre
las correcciones con lı́mites fijos propuestas por Klein (2000) se destaca el desempeño de
las correcciones LCL=0.1786, UCL=2.0603 y LCL=0.4096, UCL= 1.5599, correspondientes
al segundo y tercer PD-Plot respectivamente, siendo un poco mejor el desempeño de esta

última, pues, su PD-Plot tiene las lineas horizontales inferiores un poco más largas lo que
muestra que esta carta tiende a producir valores pequeños para la RL. De las correcciones
con lı́mites dependientes de la media sobresale el desempeño de la mostrada en el cuarto
PD-Plot, propuesta en Jarrett y Pan (2008) (LCL=0, UCL=2.064S̄). La corrección propues-
ta por Human et al. (2010) (LCL=0.1720S̄, 2.2180S̄) correspondiente al quinto PD-Plot,
también presenta un desempeño relativamente apropiado, pero muestra menor capacidad
para detectar los cambios en la dispersión que la anterior.
3600
3400
3200
3000
2800
2600
2400
2200
2000
1800
1600
1400
1200
1000
800
600
400
200
0
186.05 117.98 118.42 110.97 244.5 953.46 745.54
LCL 0.2027 0.1786 0.4096 0 0.1560S 0.1050S 0.153S
UCL 2.1941 2.0603 1.5599 2.089S 2.2860S 2.4840S 2.577S
Figura 4-12.: PD-Plots carta S, m=30 y aumento en la dispersión, separación marcas

0.0015
De forma análoga, en la figura 4-12, se observa que, para m=30, las correcciones con lı́mites
calculados a partir de la media con mejor desempeño son la propuesta en Jarrett y Pan
(2008) (LCL=0, UCL=2.089S̄) y la propuesta por Human et al. (2010), mostrada en el
quinto PD-Plot (LCL=0.1560S̄, UCL=2.2860S̄), aunque esta última presenta valores atı́pi-
cos demasiado grandes para la RL (notable en el largo de la linea horizontal superior). En
este caso el mejor desempeño lo tuvo una carta con lı́mites calculados a partir de la media.
Ahora bien, para el caso de datos con disminución en la dispersión, la figura 4-13 muestra,
para m=20 un muy buen desempeño para las cartas construidas con lı́mites fijos, siendo
ligeramente mejor el de la corrección LCL=0.2027, UCL=2.1941 (primer PD-Plot), propues-
ta por Klein (2000), que muestra una linea horizontal inferior más larga. Aunque el de la
corrección LCL=0.4096, UCL=1.5599, propuesta en el mismo artı́culo (mostrada en el tercer
PD-Plot) también presenta un desempeño similar, la primera tiene mayor probabilidad de

producir valores más pequeños para la RL. De entre las correcciones con lı́mites dependien-
tes de la media la de mejor comportamiento es la corrección mostrada en el quinto PD-Plot
(LCL= 0.1720S̄, UCL=2.2180S̄), propuesta en Human et al. (2010), pero ésta tiene alta
probabilidad de producir corridas mayores a 370, lo que la hace menos recomendable al com-
parar su comportamiento con el de las correcciones con lı́mites fijos.
10000
9500
9000
8500
8000
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
205.03 304.83 230.47 3315.07 380.72 2441.62 884.33
LCL 0.2027 0.1786 0.4096 0 0.1720S 0.1060S 0.149S
UCL 2.1941 2.0603 1.5599 2.064S 2.2180S 2.4220S 2.662S
Figura 4-13.: PD-Plots carta S, m=20 y reducción en la dispersión, separación marcas

0.0007
Al observar la figura 4-14 se nota una reducción en la eficiencia de la corrección LCL=

0.1560S̄, UCL=2.2860S̄, propuesta en Human et al. (2010) para detectar reducciones en la
dispersión al cambiar el valor de m de 20 a 30. En este caso es preferible el uso de una carta
con lı́mites fijos.
Considerando el desempeño global de las cartas se puede concluir que para las correcciones
analizadas en este estudio:
a) De las correcciones a la carta S con lı́mites fijos, propuestas Klein (2000), la que
se comporta de forma más parecida a lo esperado es la obtenida con la corrección
LCL=0.2027, UCL=2.1941 (primer PD-Plot). La corrección LCL=0.1786, UCL=2.0603
propuesta en el mismo artı́culo presenta el inconveniente de producir valores más altos
para la RL en el caso disminución en la dispersión que en el caso bajo control. La
corrección LCL=0.4096, UCL=1.5599 muestra comportamientos similares para el

11500 caso
11000
bajo control y para el caso disminución en la dispersión.
10500
10000
9500
9000
8500
8000
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
205.03 304.83 230.47 2881.85 600.73 794.48 2909.1
LCL 0.2027 0.1786 0.4096 0 0.1560S 0.1050S 0.153S
UCL 2.1941 2.0603 1.5599 2.089S 2.2860S 2.4840S 2.577S
Figura 4-14.: PD-Plots carta S, m=30 y reducción en la dispersión, separación marcas

0.0007
b) Con ninguna de las correcciones con lı́mites calculados a partir de una muestra inicial
se tiene el desempeño buscado, debido al comportamiento en los casos bajo control
y reducción en la dispersión. De estas la que presenta un mejor comportamiento es
la propuesta en Human et al. (2010), LCL=0.1720S̄, UCL=2.2180S̄ para m=20 y
LCL=0.1560S̄, UCL=2.2860S̄ para m=30. Pero debido a que su mala capacidad para
detectar disminuciones en la dispersión. (más notable cuando los lı́mites se calculan a
partir de 30 muestras de tamaño 5). Es más recomendable el uso de las cartas con lı́mites
fijos.
5. Propuesta de correcciones
5.1. Modificación de los lı́mites propuestos en las

correcciones
Con base en la forma de los PD-Plots y la distribución empı́rica del rango y de la disper-
sión muestral, para datos con distribución normal estándar, se propone, como un ejercicio
adicional al trabajo realizar ligeras modificaciones a las correcciones que mostraron compor-
tamientos diferentes al esperado de acuerdo a lo visto en las secciones 4.3.1 y 4.3.2, con el fin
de obtener una carta con comportamiento más próximo al esperado, indicado en la sección
4.3. Se evaluará el desempeño de dichas modificaciones por medio de simulaciones similares
a las realizadas en los capı́tulos previos hasta obtener una carta que pueda ser usada en
cualquiera de los tres escenarios estudiados; datos bajo control, aumento y disminución en
la dispersión y que tenga en general un desempeño superior al ya mostrado por las mismas.
Primero se comentarán algunos aspectos, que se podrı́an mejorar, del comportamiento de la
RL de las cartas obtenidas con cada una de las correcciones, indicando las modificaciones
que se deberı́an hacer a los lı́mites para lograr la mejora esperada. Aunque la metodologı́a se
pretende usar en cartas construidas con lı́mites estimados a partir de m muestras de tamaño
n, se empieza con una carta de lı́mites fijos para ilustrar de mejor manera cómo construir
las correcciones a los lı́mites.
Manteniendo el orden de todo el trabajo, se empezará con las correcciones para la carta R:
1) La corrección LCL=0.1318, UCL=0.9882 propuesta por Khoo y Lim (2005), muestra un

buen comportamiento para los casos bajo control y aumento en la dispersión, pero su
comportamiento en el caso disminución en la dispersión es muy distinto de lo esperado,
esto hace pensar que su lı́mite inferior es muy bajo, razón por la cual al aumentar el
valor del mismo, se mejorarı́a su desempeño global. También serı́a bueno aumentar los
valores de la RL obtenidos en el caso bajo control, por tanto no se puede variar mucho
la separación entre sus lı́mites. Es necesario recordar la forma de construir el estadı́stico
muestral en esta carta mostrada en la sección 3.2.
2) La corrección LCL=0.1720R̄, UCL=2.2800R̄, propuesta por Human et al. (2010) para

m=20, tiene buen desempeño para detectar aumentos en la dispersión, pero disminuye
notablemente su desempeño en la detección de disminuciones en la dispersión. Además
5.2 Análisis del desempeño de las modificaciones 49
serı́a bueno que se aumentaran las longitudes de corrida para la misma en el caso
bajo control. Ası́, se podrı́a mejorar su desempeño al aumentar el valor del LCL, sin
cambiar demasiado la separación entre los lı́mites. De la misma forma, para m=30, la
carta construida con lı́mites LCL=0.1530R̄, UCL=2.3550R̄, mantiene la capacidad para
detectar aumentos en la dispersión y tiene baja eficiencia en la detección de disminuciones
en la dispersión, presentando valores demasiado altos para la RL en este último caso. Lo
que indica que se podrı́a mejorar el desempeño al aumentar el LCL y sin aumentar
demasiado el UCL.
Se prosigue con las propuestas para la carta S:
1) La corrección de Klein (2000) LCL=0.4096, UCL=1.5599, presenta un buen desempeño

en la detección de aumentos en la dispersión, pero serı́a bueno que se aumentaran los
valores de la RL para datos bajo control, para que se tenga una diferencia notable entre
el comportamiento para el caso disminución en la dispersión y el caso bajo control. Por
tanto se puede ampliar un poco la separación entre sus lı́mites con el fin de aumentar la
probabilidad de que la carta produzca valores más altos para la RL, para el caso bajo
control. Aunque también se puede aumentar un poco su LCL para que sea más eficiente
en el caso disminución en la dispersión. Cabe recordar que la carta propuesta para esta
corrección señala sólo cuando dos puntos sucesivos caen fuera de los lı́mites, del mismo
lado de un mismo lı́mite.
2) Para la corrección de Human et al. (2010) LCL=0.1560S̄, UCL=2.2860S̄, dada para

m=30, se observa buen desempeño tanto para datos bajo control, como para el caso
aumento en la dispersión. Pero la carta no es muy eficiente para detectar disminuciones
en la dispersión, razón por la cual se propone aumentar su LCL.
5.2. Análisis del desempeño de las modificaciones

Para obtener las modificaciones a las correcciones que mejoren los aspectos resaltados
en la sección 5.1, se consideraron lı́mites de prueba, de la forma LCL = (α ± α0 )σ̂,
U CL = (β ± β0 )σ̂, donde β0 y α0 son las correcciones originales (obtenidas de los artı́cu-
los), α y β son constantes pequeñas que al ser sumadas o restadas generan la modificación
correspondiente de acuerdo a lo indicado en cada caso y σ̂ es el estadı́stico usado en la
construcción de la carta (si los limites son fijos, se puede considerar σ̂ = 1). Se utilizó un
esquema de simulación similar al de los capı́tulos anteriores para comparar la eficiencia de
dichas modificaciones, para cada par de limites de prueba α, β por medio de los PD-Plot
obtenidos con la corrección inicial y con la modificación aquı́ propuesta.
En cada caso, teniendo en cuenta la forma de la distribución empı́rica de los estadı́sticos

R y S, se utilizaron diferentes combinaciones para los lı́mites de prueba hasta obtener el
50 5 Propuesta de correcciones
comportamiento deseado para la carta. En algunos casos sólo fueron necesarias dos o tres
combinaciones de prueba para los lı́mites, pero en otros el procedimiento se repitió en más
de 20 oportunidades, pues no se obtenı́an diferencias marcadas entre el comportamiento de
la carta sin modificar y la carta modificada. Incluso, para ciertas modificaciones a pesar de
que se logró la mejora buscada en el comportamiento, de tal forma que la carta con limites
modificados presentara la mejora requerida, la eficiencia global de la carta se deterioró, pues
se perdió la fortaleza que la carta tenı́a inicialmente en alguno de los tres casos estudiados,
sobre todo en el caso bajo control.
En la tabla 5-1 se presentan las modificaciones obtenidas con esta metodologı́a, mostrando
en que caso deben ser usadas. Se presentarán los resultados obtenidos con las modificaciones
a partir de la observación de los PD-Plots, resaltando los cambios buscados en los aspectos
del comportamiento de la carta e indicando la mejorı́a observable, ası́ como la forma en que
se ve afectado el comportamiento de la carta respecto a su comportamiento sin la modi-
ficación. Estos PD-Plots se presentan siguiendo el esquema anterior (primero el caso bajo
control, luego para aumento en la dispersión y por último para disminución en la dispersión),
pero el PD-Plot obtenido con la modificación se ubica inmediatamente después del obtenido
con la corrección inicial en cada caso, es decir; el primer PD-Plot corresponde al caso bajo
control para la corrección inicial y el segundo a la modificación propuesta en el mismo caso,
el tercero al caso aumento en la dispersión para la corrección inicial, etc.
Tabla 5-1.: Propuesta de modificaciones a los lı́mites de control en cartas R y S

Corrección original Modificación Condiciones de uso
LCL UCL LCL UCL Carta Número de muestras (m)

0.1318 0.9882 0.142 0.996 R 20, 30
0.1720R̄ 2.2800R̄ 0.221R̄ 2.229R̄ R 20
0.1530R̄ 2.3550R̄ 0.215R̄ 2.409R̄ R 30
0.4096 1.5599 0.408 1.659 S 20, 30
0.1560S̄ 2.2860S̄ 0.228S̄ 2.401S̄ S 30
Para la carta R se tiene:
1) La corrección LCL=0.1318, UCL=0.9882 mostró problemas en el caso disminución en

la dispersión, para esta se propuso la modificación LCL=0.142, UCL=0.996, con la cual
se logró disminuir la probabilidad de obtener valores demasiado altos para la RL en
este caso. En la figura 5-1 se muestran los PD-Plots correspondientes. Se observa que
la modificación mejoró el desempeño de la carta en el sentido deseado, pues al ser el
segundo PD-Plot más alargado que el primero se tiene un aumento para los valores de la
RL en el caso bajo control, más aún, la mediana de la RL está cercana a 370 y al ser la
lı́nea horizontal inferior de este PD-Plot más corta se presenta una menor probabilidad de
producir valores pequeños para la RL. Ası́ mismo se logró una mejora en la detección de
disminuciones de la dispersión. Aunque se deterioró el desempeño de la carta en el caso
aumento en la dispersión, pues, se aumentaron mucho los valores de la RL en este caso.
El comportamiento global de la carta es más parecido a lo esperado. Se observa que con
la modificación se tiene una diferencia notable entre el comportamiento de la carta para
datos bajo control y para datos con cambios en la dispersión y se tienen muchos valores
altos para la RL en el caso bajo control, gran cantidad de valores muy bajos para la
disminución en la dispersión y para el aumento en la dispersión valores de la RL mayores
que los obtenidos en el caso disminución de la dispersión, pero mucho menores que los
obtenidos bajo control.
1600
1500
1400
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL ARL ARL
370.07 514.19 179.14 429.76 510.43 446.39
LCL 0.1318 0.142 0.1318 0.142 0.1318 0.142
UCL 0.9882 0.996 0.9882 0.996 0.9882 0.996
CASO Bajo control Aumento en la dispersión Disminución en la dispersión
Figura 5-1.: PD-Plots para la modificación a la corrección LCL=0.1318, UCL=0.9882
2) La corrección LCL=0.1720R̄, UCL=2.2800R̄, para m=20 fue modificada hasta obte-

ner LCLR=0.221R̄, UCLR=2.229R̄. Ası́ mismo, para m=30, los lı́mites LCL=0.1530R̄,
UCL=2.3550R̄, fueron modificados obteniendo LCLR=0.215R̄, UCL=2.409R̄. Al obser-
var los PD-Plots correspondientes en las figuras 5-2 y 5-3, se observa que se logró reducir
el número de valores demasiado altos para la RL en el caso disminución en la dispersión.
Este efecto es más notable para la corrección propuesta para m=30. También se observa
que ya no se presenta el gran problema de que se tenı́an mayor cantidad de valores gran-
des para la RL en el caso disminución en la dispersión que en el caso bajo control. De esta
forma la carta se comporta mucho más de la manera esperada. Aunque se desmejoró el
desempeño de la carta en los casos bajo control y aumento en la dispersión, se logra que
la carta construida con estimaciones se comporte un poco mas como se esperarı́a desde
el punto de vista práctico.
1100
1000
900
800
700
600
500
400
300
200
100
0
296.46 258.97 173.91 204.12 362.93 235.59
LCL 0.1720R 0.221R 0.1720R 0.221R 0.1720R 0.221R
UCL 2.2800R 2.229R 2.2800R 2.229R 2.2800R 2.229R
Figura 5-2.: PD-Plots para la modificación a la corrección LCL=0.1720R̄, UCL=2.2800R̄,

m = 20
De igual forma se presentan los resultados obtenidos para la carta S:
1) De acuerdo a la figura 5-4, al usar los lı́mites LCL=0.408, UCL=1.659 para modificar la
corrección LCL=0.4096, UCL=1.5599, se aumenta el número de valores altos para la RL
en el caso de datos bajo control. A pesar de que se disminuye la capacidad de detectar
disminuciones y aumentos en la dispersión, del cuarto y el sexto PD-Plot en la figura 5-4
se nota que con estos nuevos lı́mites la carta se comporta de una manera bastante similar
a la esperada, ya que tiende a producir valores más altos de la RL para disminuciones
que para aumentos en la dispersión, esto pues, las lı́neas horizontales superiores son más
largas en el sexto PD-Plot, indicando mayor probabilidad de valores altos para la RL.
Además se observa que en promedio la RL en el caso bajo control es muy superior que
en los casos en que se presenta cambio en la dispersión.
1900
1800
1700
1600
1500
1400
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
487.82 222.37 256.06 181.32 607.16 192.27
LCL 0.1530R 0.215R 0.1530R 0.215R 0.1530R 0.215R
UCL 2.3550R 2.409R 2.3550R 2.409R 2.3550R 2.409R
1200
Figura 5-3.: PD-Plots para la modificación a la corrección LCL=0.1530R̄, UCL=2.3550R̄,
1100 m = 30
1000
900
800
700
600
500
400
300
200
100
0
255.35 385.49 118.42 235.75 230.47 248.37
LCL 0.4096 0.408 0.4096 0.408 0.4096 0.408
UCL 1.5599 1.659 1.5599 1.659 1.5599 1.659
Figura 5-4.: PD-Plots para la modificación a la corrección LCL=0.4096, UCL=1.5599
2) La corrección, LCL=0.1560S̄, UCL=2.2860S̄, dada para m=30, presentaba deficiencias

en la detección de disminuciones en la dispersión, sus lı́mites fueron modificados hasta
obtener LCL=0.228S̄, UCL=2.401S̄. En la figura 5-5 se muestran los PD-Plots generados
con dicha modificación. En estos se observa que se reduce notablemente el número de
valores altos de la RL tanto para el caso disminución en la dispersión como para el caso
aumento en la dispersión. Ahora, comparando el segundo y el sexto PD-Plot, se observa
menor probabilidad de producir valores altos para la RL en el caso disminución en la
dispersión que para datos bajo control (el sexto PD-Plot es más alto que el segundo).
El comportamiento global de esta modificación es más cercano al que se espera de la
carta, con la desventaja de que en los casos bajo control y aumento en la dispersión,
las longitudes de corrida muestran comportamientos similares y, aunque en general la
RL toma valores mayores en el caso bajo control, esto le resta eficiencia a la carta para
detectar cambios en la dispersión. Se destaca el notable aumento en cantidad de valores
pequeños para la RL obtenidos con ésta modificación.
Ahora, se comparan entre sı́ las modificaciones realizadas para con esto identificar una
propuesta de lı́mites a usar, que pueda ser recomendada para monitorear la variabilidad
y que tenga
1900
en general el comportamiento buscado.
1800
1700
1600
1500
1400
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
479.36 212.19 244.5 187.06 600.73 168.31
LCL 0.1560S 0.228S 0.1560S 0.228S 0.1560S 0.228S
UCL 2.2860S 2.401S 2.2860S 2.401S 2.2860S 2.401S
Figura 5-5.: PD-Plots para la modificación a la corrección LCL= 0.1560S̄, UCL=2.2860S̄
En las figuras 5-6, 5-7 y 5-8 se muestran, para datos bajo control, con aumento y con
reducción en la dispersión, los PD-Plots obtenidos con la corrección establecida como la de
mejor comportamiento en la sección 4.3.1 y con las modificaciones propuestas para la carta R.
Los PD-Plot están ubicados en el mismo orden en que se presentaron en la tabla 5-1. En éstos
se puede comparar la eficiencia de éstas modificaciones, observándose que el comportamiento
de las correcciones LCL=0.221R̄, UCL=2.229R̄ y LCL=0.215R̄, UCL=2.409R̄, mostradas
en el tercer y cuarto PD-Plot, es similar. Siendo mejor el de la corrección LCL=0.221R̄,
UCL=2.229R̄ en el caso bajo control y el de la corrección LCL=0.215R̄, UCL=2.409R̄ en los
otros dos casos. Se destaca que ambas correcciones producen principalmente valores bajos
para la RL para datos con aumento en la dispersión y que el número de valores bajos para
la RL se reduce un poco para la disminución en la dispersión. Pero se tiene mayor tendencia
a producir valores más altos para la RL en el caso bajo control. En todo caso sigue siendo
más recomendable el uso de la corrección LCL=0.4484, UCL= 5.7128 propuesta por Acosta-
Mejia y Pignatiello Jr. (2008), pues la diferencia entre su comportamiento para el caso bajo
control y los otros casos es más notable.
Ası́ mismo, a partir de las figuras 5-9, 5-10 y 5-11, donde se muestran los PD-Plots obtenidos
con las modificaciones propuestas para la carta S en los tres casos estudiados, se puede
observar comportamiento similar entre las correcciones LCL=0.2027, UCL=2.1941 propuesta
por Klein (2000) y la aquı́ propuesta LCL=0.228S̄, UCL=2.401S̄, mostradas en el primer y
tercer PD-Plot, respectivamente. Ambas propuestas tienen un buen desempeño para detectar
reducciones en la dispersión, pero son ampliamente superadas por la corrección LCL=0.408,
UCL=1.659 en el caso bajo control. Se destaca que esta última corrección, mostrada en el
segundo PD-Plot es la que muestra mayor eficiencia de acuerdo a lo esperado en este trabajo.
Pues, aunque es superada por las otras dos correcciones en los casos disminución y aumento
en la dispersión, es la que muestra mayores diferencias entre el comportamiento de la RL
para los casos bajo y fuera de control, presentando mayor tendencia a producir valores de la
RL muy altos en el caso bajo control que en los otros casos.
1500
1400
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL
369.63 514.19 258.97 222.37
LCL 0.4484 0.142 0.221R 0.215R
UCL 5.7128 0.996 2.229R 2.409R
Figura 5-6.: PD-Plots para las modificaciones a los lı́mites, carta R, datos bajo control.
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL
267.1 429.76 204.12 181.32
LCL 0.4484 0.142 0.221R 0.215R
UCL 5.7128 0.996 2.229R 2.409R
Figura 5-7.: PD-Plots para las modificaciones, carta R, aumento en la dispersión
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL ARL
296.16 446.39 235.59 192.27
LCL 0.4484 0.142 0.221R 0.215R
UCL 5.7128 0.996 2.229R 2.409R
Figura 5-8.: PD-Plots para las modificaciones, carta R, reducción en la dispersión

5.2 Análisis del desempeño
1200 de las modificaciones 57
1100
1000
900
800
700
600
500
400
300
200
100
0
ARL ARL ARL
256.07 385.49 212.19
LCL 0.2027 0.408 0.228S
UCL 2.1941 1.659 2.401S
Figura 5-9.: PD-Plots para las modificaciones a los lı́mites, carta S, datos bajo control.
700
650
600
550
500
450
400
350
300
250
200
150
100
50
0
ARL ARL ARL
186.05 235.75 187.06
LCL 0.2027 0.408 0.228S
UCL 2.1941 1.659 2.401S
Figura 5-10.: PD-Plots para las modificaciones, carta S, aumento en la dispersión

58 750
5 Propuesta de correcciones
700
650
600
550
500
450
400
350
300
250
200
150
100
50
0
ARL ARL ARL
205.03 248.37 168.31
LCL 0.2027 0.408 0.228S
UCL 2.1941 1.659 2.401S
Figura 5-11.: PD-Plots para las modificaciones, carta S, reducción en la dispersión

6. Conclusiones y recomendaciones
6.1. Conclusiones
De acuerdo a lo visto en este trabajo y para las condiciones particulares del mismo, es de-
cir para cartas de control construidas con muestras de tamaño 5 con distribución normal
estándar bajo control y un cambio en la desviacion estandar de 0.1 para estados fuera de
control, se puede concluir lo siguiente:
Las cartas R y S con lı́mites estimados construidas con los lı́mites tradicionales tienen un
comportamiento bajo control diferente a lo esperado para las cartas de control para monito-
rear la variabilidad. El efecto de las estimaciones es más marcado para estimaciones basadas
en muestras de tamaño pequeño, puesto que valores pequeños del tamaño y el número de
muestras usadas en la estimación, producen cartas con ARL y ESE(ARL) demasiado alto.
A medida que se aumentan el tamaño y el número de muestras se disminuyen los valores
de la ARL y del ESE(ARL). Pero, a diferencia de lo que ocurre con las cartas X y X̄, los
valores de la ARL no se estabilizan cerca de 370 a medida que se aumenta el número de
muestras usadas en la estimación de los lı́mites, como se esperaba desde la concepción de la
carta, sino que siguen disminuyendo. Situación que es más visible en la carta R.
El uso de los PD-Plots propuestos por Radson y Boyd (2005), facilita la comparación simul-
tanea de la eficiencia de varias cartas de control, brindando mucha más información que las
medidas de eficiencia tradicionalmente usadas en la bibliografı́a.
La mayor parte de las correcciones a los lı́mites de control propuestas en la literatura para las
cartas R y S mejoran el desempeño de las mismas. De éstas, las cartas con lı́mite de control
inferior 0, presentan inconvenientes para detectar reducciones en la dispersión. Para ambos
estadı́sticos las cartas construidas con lı́mites fijos tienen mejor desempeño que las cartas
construidas a partir de estimaciones de la dispersión calculadas en base a varias muestras de
tamaño pequeño.
Para construir cartas de control R y S, que se comporten conforme a lo esperado en la

práctica, es preferible usar un esquema con lı́mites fijos, usando como lı́mites UCL=5.7128
y LCL=0.4484, para la carta R y UCL=2.1941, LCL=0.2027 para la carta S, aunque,
recordando las deficiencias de la carta R es más recomendable el uso de esta última. Si
60 6 Conclusiones y recomendaciones
el esquema de monitoreo por cartas de control implica tener que usar varias muestras de
tamaño fijo y es necesario calcular los lı́mites usando dichas muestras es preferible usar
los lı́mites LCLR=0.1720R̄ y UCLR=2.2800R̄ para 20 muestras de tamaño 5. Es necesario
tener en cuenta que con este esquema se obtiene una carta con un comportamiento un poco
diferente al que deberı́a tener una carta de control para la variabilidad.
6.2. Recomendaciones
Se requiere mayor conocimiento de la distribución de la RL obtenida con cartas R y S con
los cuales se puedan proponer lı́mites probabilisticos que permitan obtener una carta con el
comportamiento adecuado.
Al basarse en la forma de la distribución empı́rica del rango y de la dispersión muestral,

se pueden modificar los lı́mites propuestos para la carta, logrando que el desempeño de las
correcciones sea más similar a lo que se esperarı́a desde el punto de vista práctico para este
tipo de cartas. Los PD-Plots pueden ser útiles como herramientas para observar los cambios
en el comportamiento de la RL obtenidos con la modificación, permitiendo orientar de mejor
manera las modificaciones a realizar.
Se podrı́a aumentar el número de lı́mites de prueba en cada caso con el fin de obtener cartas
con mejor desempeño, pero se tendrı́a que tener en cuenta la alta demanda de tiempo y de
capacidad computacional que esto traerı́a.
El diseño de un esquema de aplicación de esta metodologı́a que permita reducir el número

de lı́mites de prueba a usar y que con cada replicación de la metodologı́a se obtengan lı́mites
que mejoren los aspectos requeridos del comportamiento de la carta sin afectar las fortalezas
de la misma, conllevarı́a a la obtención de mejores cartas de control.
Es posible que se en la actualidad se cuente con una herramienta que permita evaluar más
eficazmente el comportamiento de la RL que los PD-Plots y con la cuál se pueda determinar
mejores alternativas para modificar los lı́mites.
A. Anexo: Código R usado
A.1. Cálculo de la ARL y el ESE carta R con lı́mites

tradicionales
n=5; m=300 #1
d=1 #2
l i b r a r y (IQCC) #3 c4=c4 ( n )
D3=max(1−3∗d3 ( n ) /d2 ( n ) , 0 )
D4=1+3∗d3 ( n ) /d2 ( n ) #4
r l=c ( ) #5
# Replicaciones
for ( j i n 1 : 1 0 0 0 0 ) #Se hacen 10000 r e p e t i c i o n e s
{
Rang=0 #6
for ( i i n 1 :m) #7
{
y=rnorm( n )
Rang=Rang+d i f f ( range ( y ) ) #8
}
R=Rang/m #9
UCLR=D4∗R #10
LCLR=D3∗R
RL=0; Xb=R #11
while ( (LCLR<Xb)&(Xb<UCLR) ) #12
{
RL=RL + 1 #13
y=rnorm( n , mean=0, sd=d ) #14
Xb=d i f f ( range ( y ) ) #15
}
r l [ j ]=RL #16
}
ARL=mean( r l ) ; ARL #17
ESE=sd ( r l ) /sqrt ( j ) ; ESE #18
62 A Anexo: Código R usado
” s e h i c i e r o n ” ; j ; ” r e p e t i c i o n e s ” ; ”m=” ;m; ”n=” ; n #19

h i s t ( t (RL) , 5 0 0 )#20
A.1.1. Comentarios al anterior algoritmo

1) Se establecen el tamaño de muestra y el número de muestras a tomar
2) Se establece el valor de la desviación estándar; Para obtener datos bajo control se usa d=1, para
disminución en la dispersión d=0.9 y para aumento d=1.1
3) Se llama la librerı́a IQCC para calcular las constantes de construcción de los lı́mites (c4, d2, d3,
etc.)
4) Se calculan las constantes para construir los lı́mites
5) Se crea un vector para la longitud de corrida
6) Se define una variable para acumular los rangos
7) Se generan m muestras de tamaño n de una distribución normal estándar
8) Se van acumulando los rangos
9) Se calcula el rango medio
10) Se Encuentran los lı́mites para la carta
11) Se crea una variable para la longitud de corrida y otra para el estadı́stico a graficar
12) Se evalúa si el estadı́stico esta dentro de los lı́mites
13) Se aumenta una longitud de corrida en 1
14) Se genera una muestra de tamaño n de la distribución normal con desviación estándar d
15) Se recalcula el estadı́stico
16) Se obtiene una observación para el vector de 10000 longitudes de corrida
17) Se calcula e imprime el promedio de la RL
18) Se calcula e imprime el error estándar de la estimación
19) Se imprimen el número de repeticiones y los tamaños de muestra usados.
20) se obtiene en el caso d=1, la forma de la distribución bajo control de la RL para la carta R
A.2 Cálculo de la ARL y el ESE carta s con lı́mites tradicionales 63
A.2. Cálculo de la ARL y el ESE carta s con lı́mites

tradicionales
n=5; m=300 #1
d=1 #2
l i b r a r y (IQCC) #3
c4=c4 ( n )
B3=max(1−3∗sqrt (1− c4 ˆ 2 ) /c4 , 0 )
B4=1+3∗sqrt (1− c4 ˆ 2 ) /c4 #4
r l=c ( ) #5
# Replicaciones
for ( j i n 1 : 1 0 0 0 0 ) #Se hacen 1 0 . 0 0 0 r e p e t i c i o n e s
{
S=0 #6
for ( i i n 1 :m) #7
{
y=rnorm( n )
S=S+sd ( y ) #8
}
Sb=S/m #9
UCLs=B4∗Sb #10
LCLs=B3∗Sb
RL=0; Xb=Sb #11
while ( ( LCLs<Xb)&(Xb<UCLs ) ) #12
{
RL=RL + 1 #13
y=rnorm( n , mean=0, sd=d ) #14
Xb=sd ( y ) #15
}
r l [ j ]=RL #16
}
ARL=mean( r l ) ; ARL #17
ESE=sd ( r l ) /sqrt ( j ) ; ESE #18
” s e h i c i e r o n ” ; j ; ” r e p e t i c i o n e s ” ; ”m=” ;m; ”n=” ; n #19
h i s t ( t (RL) , 5 0 0 )#20

1) Se establecen el tamaño de muestra y el número de muestras a tomar
2) Se establece el valor de la desviación estándar; Para obtener datos bajo control se usa d=1, para
disminución en la dispersión d=0.9 y para aumento d=1.1
3) Se llama la librerı́a IQCC para calcular las constantes de construcción de los lı́mites (c4, d2, d3,
etc.)
4) Se calculan las constantes para construir los lı́mites
5) Se crea un vector para la longitud de corrida
6) Se define una variable para acumular las desviaciones estándar
7) Se generan m muestras de tamaño n de una distribución normal estándar
8) Se van acumulando las desviaciones
9) Se calcula la desviación media
10) Se Encuentran los lı́mites para la carta
11) Se crea una variable para la longitud de corrida y otra para el estadı́stico a graficar
12) Se evalúa si el estadı́stico esta dentro de los lı́mites
13) Se aumenta una longitud de corrida en 1
14) Se genera una muestra de tamaño n de la distribución normal con desviación estándar d
15) Se recalcula el estadı́stico
16) Se obtiene una observación para el vector de 10000 longitudes de corrida
17) Se calcula e imprime el promedio de la RL
18) Se calcula e imprime el error estándar de la estimación
19) Se imprimen el número de repeticiones y los tamaños de muestra usados.
20) se obtiene en el caso d=1, la forma de la distribución bajo control de la RL para la carta s
A.3. Cálculo de la RL para la carta R con correcciones a

los lı́mites. Ejemplo: UCL=2.5120R̄, LCL=0.1140R̄
(Human et al., 2010)
La diferencia entre este algoritmo y los anteriores radica en que ahora sólo se establecen
los lı́mites usando las correcciones tomadas de alguno de los artı́culos estudiados. En cada
caso se crean 3 vectores de longitudes de corrida para los casos bajo control, aumento y
disminución en la dispersión.
A.3 Cálculo de la RL para la carta R con correcciones a los lı́mites. Ejemplo:
UCL=2.5120R̄, LCL=0.1140R̄ (Human et al., 2010) 65
# BAJO CONTROL
n=5; m=20
r l=c ( )
j =1; z=1
Rang=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
Rang=Rang+d i f f ( range ( y ) )
}
R=Rang/m
UCLR=2.5120∗R
LCLR=0.1140∗R
d=1; RL=0; Xb=R
while ( (LCLR<Xb)&(Xb<UCLR) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=d i f f ( range ( y ) )
}
r l [ j ]=RL #Vector de 10000 l o n g i t u d e s de c o r r i d a
}
r l 1=r l
# AUMENTO EN LA DISPERSION
r l=c ( )
j =1; z=1
Rang=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
}
R=Rang/m
UCLR=2.5120∗R
LCLR=0.1140∗R
d = 1 . 1 ; RL=0; Xb=R
{
RL=RL + 1
y=rnorm( n , sd=d )
}
}
r l 2=r l
# DISMINUCION EN LA DISPERSION
r l=c ( )
j =1; z=1
Rang=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
}
R=Rang/m
UCLR=2.5120∗R
LCLR=0.1140∗R
d = 0 . 9 ; RL=0; Xb=R
{
RL=RL + 1
y=rnorm( n , sd=d )
}
}
r l 3=r l
l i b r a r y ( x l s x ) #1
write . x l s x ( cbind ( r l 1 , r l 2 , r l 3 ) , ”RL . x l s x ” , sheetName=” Fuente ” ) #2
A.4 Cálculo de la RL para la carta S con correcciones a los lı́mites. Ejemplo:
UCL=2.4220S̄, LCL=0.1060S̄ (Human et al., 2010) 67

1) Esta librerı́a permite escribir los dataframe directamente a Excel
2) Escribe el dataframe al archivo RL.xls creando una hoja de nombre ”Fuente”
A.4. Cálculo de la RL para la carta S con correcciones a

los lı́mites. Ejemplo: UCL=2.4220S̄, LCL=0.1060S̄
(Human et al., 2010)
Similar al anterior sólo cambiando los estadı́sticos y los lı́mites
n=5; m=20
r l=c ( )
j =1; ESE=500; z=1
Rang=0; S=0;
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0; S=0;
for ( i i n 1 :m)
{
y=rnorm( n , sd=z )
S=S+sd ( y )
}
Sb=S/m
UCLs=2.4220∗Sb
LCLs=0.1060∗Sb
d = 1 . 1 ; RL=0; Xb=Sb # Se cambia d, obteniendo cada caso
while ( ( LCLs<Xb)&(Xb<UCLs ) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=sd ( y )
}
r l [ j ]=RL #Vector de 10000 longitudes de corrida
}
r l 2=r l
write . x l s x ( r l 2 , ”RL . x l s x ” , sheetName=” Fuente ” )
#Si LCLs y UCLs son fijos, se omite la primera parte del algoritmo:
n=5; m=20
r l=c ( )
j =1; ESE=500; z=1
Rang=0; S=0;
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0; S=0;
UCLs=2.229
LCLs=0.221
d=1; RL=0; Xb=Sb
while ( ( LCLs<Xb)&(Xb<UCLs ) )
{
RL=RL + 1
y=rnorm( n , sd=d )
Xb=sd ( y )
}
r l [ j ]=RL # Vector de 10000 longitudes de corrida
}
r l # Vector de longitudes de corrida
A.5. Algoritmo para realizar las gráficas de los PD-Plot
# C\ ’{ a} l c u l o de l a s coordenadas a g r a f i c a r
RL=read . table ( ” c l i p b o a r d ” , h=F) #1
c o l s =4 #2
p=c ( . 0 5 , . 2 5 , . 5 , . 7 5 , . 9 5 ) #3
x=data . frame ( x1=numeric ( 0 ) , x2=numeric ( 0 ) , x3=numeric ( 0 ) ,
x4=numeric ( 0 ) , x5=numeric ( 0 ) , x6=numeric ( 0 ) , x7=numeric ( 0 ) ,
x8=numeric ( 0 ) , x9=numeric ( 0 ) , x10=numeric ( 0 ) )
y=data . frame ( y1=numeric ( 0 ) , y2=numeric ( 0 ) , y3=numeric ( 0 ) ,
y4=numeric ( 0 ) , y5=numeric ( 0 ) , y6=numeric ( 0 ) , y7=numeric ( 0 ) ,
y8=numeric ( 0 ) , y9=numeric ( 0 ) , y10=numeric ( 0 ) ) #4
for ( j i n 1 : c o l s )
{
r l=RL [ , j ]
p e r c e n t =( sort ( r l ) ) [ round (NROW( r l ) ∗p ) ] #5
prob=c ( ) #6
A.5 Algoritmo para realizar las gráficas de los PD-Plot 69
for ( i i n 2 : 4 )
{
prob [ i −1]=sum( r l==p e r c e n t [ i ] ) /length ( r l )
} #7
Prob #8
x [ j , ] = c (0 ,0 , − prob , rev ( prob ) , 0 , 0 ) /2
y [ j , ] = c ( p e r c e n t , rev ( p e r c e n t ) )
} #9
ARL=round (mean(RL) , 2 ) #10
#11
xmax=max( x )
ymin=min( y )
ymax=max( y )
#12
xg=x [ 1 , ] + xmax
xg [ 1 ] = 0
xg [ 1 0 ] = ( c o l s −1)∗ 2 . 5 ∗xmax #13
yg=y [ 1 , ]
yg [ 1 ] = ymin
#14 ymax=12000
yg [ 1 0 ] = ymax
xg=xg+xmax
sepa=max( as . vector ( t ( xg ) ) ) /40 #15
marcas =0:40∗ sepa
xg # Muestra l a s coordenadas a g r a f i c a r
marcas
#16
plot ( as . vector ( t ( xg ) ) , as . vector ( t ( yg ) ) , type=”n” , a x e s=F ,
y l a b=” Longitud de c o r r i d a (RL) ” , x l a b=” ” , bty=”n” , l a s =1,
l a b=c ( 5 0 , 1 5 , 5 ) , cex . l a b =0.7)
axis ( 1 , l a s =1, cex . axis =0.7 , l i n e = −0.5 , t c k =0.006 ,
l a b e l s=F , a t=marcas )
axis ( 1 , l a s =1, cex . axis =0.7 , l i n e = −0.5 , t c k = −0.006 ,
l a b e l s=F , a t=marcas )
axis ( 2 , l a s =1, cex . axis =0.7)
x0 =1.4∗xmax #17
#G r a f i c a d o de l o s PD−p l o t s
for ( j i n 1 : c o l s )
{
X=as . vector ( t ( x [ j , ] ) ) + x0 ; Y=as . vector ( t ( y [ j , ] ) )
l i n e s (X[ c ( 1 , 2 ) ] , Y[ c ( 4 , 5 ) ] )
l i n e s (X[ c ( 9 , 1 0 ) ] , Y[ c ( 9 , 1 0 ) ] )
l i n e s (X[ c ( 4 , 7 ) ] ,Y[ c ( 3 , 3 ) ] )
polygon (X[−c ( 1 , 2 , 9 , 1 0 ) ] , Y[−c ( 1 , 5 , 6 , 1 0 ) ] )
mtext ( ”ARL” , SOUTH<−1 , a t=X [ 9 ] , l i n e = −0.6 , cex =0.7)
mtext (ARL[ j ] , SOUTH<−1 , a t=X [ 9 ] , l i n e = −0.1 , cex =0.7)
x0=X[ 8 ] + 1 . 1 5 ∗xmax #18
}

1) Se necesita un dataframe con una o varias columnas de observaciones de la RL. Se realiza un
PD Plot por cada columna. En este caso se supone que el dataframe esta en el portapapeles de
Windows
2) indica el numero de pd plots a graficar (Este también puede ser obtenido con ncol(RL), pero es
por si no se quieren usar todas las columnas del dataframe)
3) Se indica los percentiles a calcular
4) Se crean vectores para las coordenadas de los puntos a graficar
5) Cálculo de los percentiles
6) Vector para las probabilidades empı́ricas de los percentiles
7) Cálculo de las probabilidades empı́ricas de los percentiles
8) Vector de probabilidades empı́ricas de los percentiles
9) Se llenan los vectores de coordenadas con los percentiles y la mitad de las probabilidades
empı́ricas de estos
10) Cálculo de los ARL para información adicional
11) Comparación de las coordenadas para la creación del sistema de coordenadas
12) Sistema único de coordenadas
13) Modificar el número para recortar o ampliar el eje X en caso de mala presentación
14) Modificar ymax para recortar el eje Y cuando tenga colas muy largas
15) Cálculo de las separaciones entre marcas a usar; Modificar el numero para determinar las
divisiones
A.6 Cálculo de los parámetros a usar en la corrección propuesta por Hamada (2003) 71
16) Creación del plano cartesiano
17) Coordenada x del centro, modificar el numero para corregir la distancia del primer PD-plot al
eje Y
18) Modificar el número para cambiar la separación entre PD-plots en caso de que salgan muy
juntos o muy separados
A.6. Cálculo de los parámetros a usar en la corrección

propuesta por Hamada (2003)
# Para l a c a r t a R
n=5; m=30; gamma=.95 #1
p =0.00135
q=1−(1−gamma) /2
r=c ( ) #2
rb=c ( ) #3
k=0
for ( j i n 1 : 1 0 0 0 0 )
{
Rang=0
for ( i i n 1 :m)
{
k=k+1
y=rnorm( n )
R=d i f f ( range ( y ) )
r [ k]=R
Rang=Rang+R
}
rb [ j ]=Rang/m
}
library ( x l s x )
write . x l s x ( cbind ( r , rb ) , ” r a n g o s . x l s x ” , sheetName=” r a n g o s hamada” ) #4
pR=( sort ( r ) ) [ round (NROW( r ) ∗p ) ] #5

pRb=( sort ( rb ) ) [ round (NROW( rb ) ∗q ) ] #6
k1=pR/pRb #7
pR=( sort ( r ) ) [ round (NROW( r ) ∗(1−p ) ) ] #8
pRb=( sort ( rb ) ) [ round (NROW( rb ) ∗(1−q ) ) ] #9
k2=pR/pRb #10
k1 ; k2 #11
#Para l a c a r t a S , s e p r o c e d e de forma s i m i l a r :
s=c ( )
sb=c ( )
k=0
for ( j i n 1 : 1 0 0 0 0 )
{
Sb=0
for ( i i n 1 :m)
{
k=k+1
y=rnorm( n )
S=sd ( y )
s [ k]=S
Sb=Sb+S
}
sb [ j ]=Sb/m
}
write . csv ( cbind ( s , sb ) , ” v a r i a n z a s . c s v ” ) #12
pR=sqrt ( qchisq ( p , df=n−1)/ ( n−1)) #13

pRb=( sort ( Sb ) ) [ round (NROW( Sb ) ∗q ) ] #14
k1=pR/pRb #15
pR=sqrt ( qchisq(1−p , df=n−1)/ ( n−1)) #16
pRb=( sort ( Sb ) ) [ round (NROW( Sb ) ∗(1−q ) ) ] #17
k2=pR/pRb #18
k1 ; k2 #19

1) Se fijan y calculan las constantes a usar
2) Se crea un vector para guardar los rangos
3) Se crea un vector para guardar los rangos promedio
4) Se guardan los rangos medios, junto con los rangos que los generaron
5) Se evalúa el primer parámetro
6) Se encuentra el percentil p de la distribución de la los rangos

A.6 Cálculo de los parámetros a usar en la corrección propuesta por Hamada (2003) 73
7) Se encuentra el percentil q de la distribución de los rangos medios
8) Se encuentra el percentil 1-p de la distribución de la los rangos
9) Se encuentra el percentil 1-q de la distribución de los rangos medios
10) Se evalúa el segundo parámetro
11) Se imprimen los parámetros
12) Se guardan las desviaciones junto con las desviaciones medias
13) Se encuentra la raı́z del cociente del percentil p de la distribución Chi-Cuadrada con n-1 grados
de libertad entre n-1
14) Se encuentra el percentil q de la distribución de las desviaciones medias
15) Se evalúa el primer parámetro
16) Se encuentra la raı́z del cociente del percentil 1-p de la distribución Chi-Cuadrada con n-1
grados de libertad entre n-1
17) Se encuentra el percentil q de la distribución de las desviaciones medias
18) Se evalúa el segundo parámetro
19) Se imprimen los parámetros obtenidos

B. Bibliografı́a
Bibliografı́a
Acosta-Mejia, C. A., y Pignatiello Jr., J. J. (2008). Modified R charts for improved
performance. Quality Engineering, 20 No. 3 , 361-369.
Albers, W., y Kallenberg, W. C. M. (2004a). Are estimated control charts in control?
Statistics, 38 , 67-79.
Albers, W., y Kallenberg, W. C. M. (2004b). Estimation in shewhart control charts: Effects
and corrections. Metrika, 59 , 207-234.
Albers, W., y Kallenberg, W. C. M. (2005). New corrections for old control charts. Quality
Engineering, 17 No. 3 , 467-473.
Caulcutt, R. (1995). The rights and wrongs of control charts. Journal of the Royal Statistical
Society. Series C (Applied Statistics), 44 , 279-288.
Chakraborti, S. (2000). Run length, average run length and false alarm rate of shewhart X̄
chart: exact derivations by conditioning. Communications in Statistics - Simulation
and Computation, 29 No. 1 , 61-81.
Chakraborti, S. (2007). Run length distribution and percentiles: The shewhart chart with
unknown parameters. Quality Engineering, 19 No. 2 , 119-127.
Chakraborti, S., Human, S. W., y Graham, M. A. (2009). Phase I statistical process control
charts: An overview and some results. Quality Engineering, 21 , 52-62.
Chen, G. (1998). The run length distribution of the R, S, and S 2 control charts when σ is
estimated. Canadian Journal of Statistics, 26 No. 2 , 311-322.
Esty, W. W., y Banfield, J. (2003). The box-percentile plot. Journal of Statistical Software,
8 No. 17 , 1-14.
Hamada, M. (2003). Tolerance interval control limits for, R, and S charts. Quality
Engineering, 15 , 471-487.
Hansen, B. L., y Ghare, P. M. (1990). Control de calidad: Teoria y aplicaciones. Editores
Diaz de Santos, S. A.
Hill, D. (1956). Modified control limits. Journal of the Royal Statistical Society. Series C
(Applied Statistics), 5 , 12-19.
Human, S., Chakraborti, S., y Smit, C. (2010). Shewhart-type control charts for variation
in phase I data analysis. Computational Statistics and Data Analysis, 54 , 863-874.
Jarrett, J. E., y Pan, X. (2008). Alternative factors for control chart construction.
Communications in Statistics - Simulation and Computation, 37 No. 10 , 2096-2105.
Bibliografı́a 75
Jensen, W., Jones-Farmer, L. A., Champ, C. W., y Woodal, W. H. (2006). Effects of

parameter estimation on control chart properties: A literature review. Journal of
Quality Technology, 38 , 349-364.
Khoo, M. B. C., y Lim, E. G. (2005). An improved R (range) control chart for monitoring
the process variance. Quality And Reliability Engineering International , 21 , 43-50.
Klein, M. (2000). Modified S-charts for controlling process variability. Communications in
Statistics - Simulation and Computation, 29 No. 3 , 919-940.
Maravelakis, P. E., Panaretos, J., y Psarakis, S. (2002). Effect of estimation of the process
parameters on the control limits of the univariate control charts for process dispersion.
Communications in Statistics Simulation and Computation, 31 No. 3 , 443-461.
Menzefricke, U. (2002). On the evaluation of control chart limits based on predictive
distributions. Communications in Statistics: Theory and Methods, 31 No. 8 , 1423-
1440.
Montgomery, D. C. (2009). Statistical quality control: A modern introduction, 6th ed.
Hoboquen: John Wiley.
Prajapati, D., y Mahapatra, P. (2009). A simple and effective R chart to monitor the process
variance. International Journal of Quality and Reliability Management, Vol. 26 No.
5 , 497-512.
Quesenberry, C. P. (1993). The effect of sample size on estimated limits for X̄ and X control
charts. Journal of Quality Technology, 25 , 237-247.
Radson, D., y Boyd, A. H. (2005). Graphical representation of run length distributions.
Quality Engineering, 17 No. 2 , 301-308.
Riaz, M., y Does, R. J. M. M. (2009). A process variability control chart. Computational
Statistics and Data Analysis, 24 , 345-368.
Scheffe, H. (1947). The relation of control charts to analysis of variance and chi-square tests.
Journal of the American Statistical Association, 42 , 425-431.
Tietjen, G. L., y Johnson, M. E. (1997). Exact statistical tolerance limits for sample
variances. Technometrics, 21 , 107-110.
Vargas, J. A. (2006). Control estadistico de calidad. Bogota: Unibiblos, Universidad Nacional
de Colombia.
Wood, M., Kaye, M., y Capon, N. (1999). The use of resampling for estimating control chart
limits. The Journal of the Operational Research Society, 50 , 651-659.

Cartas R y S Con L Imites de Control Estimados: Edgar Eli Ecer Blanco Guerrero

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cartas R y S Con L Imites de Control Estimados: Edgar Eli Ecer Blanco Guerrero

Cargado por

Copyright:

Formatos disponibles

Cartas R y S con Lı́mites de Control

Edgar Eliécer Blanco Guerrero

Universidad Nacional de Colombia

Edgar Eliécer Blanco Guerrero

Tesis presentada como requisito parcial para optar al tı́tulo de:

Universidad Nacional de Colombia

Palabras clave: Carta de control, Variación, Distribución, Estimación, Monitoreo,

Keywords: Control chart, Variation, Distribution, Estimation, Monitoring, Control

2. El control estadı́stico de calidad 5

3. Correcciones a los Lı́mites de Control 11

4. Análisis de la eficiencia de las correcciones en cartas de control R yS 27

A. Anexo: Código R usado 61

A.2. Cálculo de la ARL y el ESE carta s con lı́mites tradicionales . . . . . . . . . 63

Sı́mbolos con letras latinas

Sı́mbolo Término Unidad SI Definición

Puesto que la calidad se puede definir como la reducción de la variabilidad, es necesario

Durante el monitoreo a un proceso, se supone que la variable asociada con la caracterı́stica

de la distribución de los datos, se dice que el comportamiento de la carta es adecuado. Cabe

En el presente trabajo se estudia vı́a simulación el comportamiento de las cartas R y S,

cos se puede aceptar que la calidad es inversamente proporcional a la variabilidad y definir

2.2. Las cartas de control

La idea detrás de una carta de control es verificar si la caracterı́stica de calidad estudiada

Como es de esperarse, en la práctica la distribución del estadı́stico usado en la carta no es

2.2.1. Cartas de control para la variabilidad

Se han propuesto muchos esquemas y cartas de control para monitorear la variabilidad en

Donde σ̂ puede ser estimado, bajo el supuesto de normalidad, por:

estimaciones de la desviación estándar o la varianza σ̂i obtenidas en cada muestra de acuerdo

i) Los lı́mites de control involucran una estimación de la varianza que es desconocida.

ii) La distribución de los estadı́sticos graficados en la carta depende de si la media es

3.1. Medidas de Eficiencia para Cartas de Control

La medida más usada en la literatura es la ARL; la media de el número de muestras grafi-

La preferencia por la ARL como medida de eficiencia radica en su facilidad de interpretación:

distribución empı́rica tenga una gráfica más parecida a la gráfica de la distribución de la

Líneas horizontales: El largo indica la probabilidad

Figura 3-1.: Ejemplo de PD-Plot.

En la figura 3-1 se muestra un ejemplo de PD-plot. Como es habitual en la mayor parte de

3.2. Correcciones a las Cartas

a) El esquema S(6=), en el cuál las correcciones son obtenidas basándose en lı́mites

b) El esquema S(=), con correcciones basadas en lı́mites probabilı́sticos a partir de

c) El esquema K(2) con correcciones basadas en lı́mites de advertencia (WL), donde se

En el esquema S(=), se hace α = β = p/2 y para obtener una ARL=1/p=256, con

En el esquema S(6=), tratando de lograr una ARL=256, para n = 5, se busca

En el esquema K(2), utiliza un procedimiento basado en cadenas de Markov, para

Donde up se escribe como u para facilitar la escritura y ϕ es la función de densidad de una

En el trabajo de simulación de Human et al. (2010) se generan 10.000 observaciones de

LCL = 0.1050R̄, U CL = 2.5770R̄ y LCL = 0.1050S̄, U CL = 2.4840S̄, cuando m = 30,

LCL = 0.1530R̄, U CL = 2.3550R̄ y LCL = 0.1560S̄, U CL = 2.2860S̄, cuando m = 30,

LCL = 0.1140R̄, U CL = 2.5120R̄ y LCL = 0.1060S̄, U CL = 2.4220S̄ cuando m = 20

LCL = 0.1720R̄, U CL = 2.2800R̄ y LCLs = 0.1720S̄, U CL = 2.2180S̄, cuando

3.3. Metodologı́a para Evaluar la Eficiencia de las Cartas

En el mismo artı́culo, generaron 10000 observaciones de la longitud de corrida para m mues-

Chakraborti (2000) retoma la idea de evaluar el efecto sobre el rendimiento de la carta de la

Maravelakis et al. (2002) evalúan la eficiencia de la carta S usando la ARL y la SDRL de

carta se comporta de manera más parecida a la carta con lı́mites conocidos.

Albers y Kallenberg (2004a, 2004b) consideran el siguiente procedimiento para medir la

4.1. El desempeño bajo control de las cartas R y S

Replicando el anterior procedimiento de generar observaciones de una distribución normal

ESE(ARL). Pero en algunos casos, para valores de m y n pequeños, no se logró obtener un

Tabla 4-1.: ARL y ESE(ARL) para la carta R con lı́mites tradicionales.

Tabla 4-2.: ARL y ESE(ARL) para la carta S con lı́mites tradicionales.

de muestras (m) usados en la fase I.

Lo anterior no permite recomendar el uso de cartas R y S con lı́mites estimados construidos

4.2. Algunas modificaciones a los lı́mites